LangGraph 技术详解：基于图结构的 AI 工作流与多智能体编排框架

引言

随着大语言模型能力不断增强，AI 应用的复杂度迅速上升。现实中的 AI 系统，早已不再是"一次 Prompt → 一次回答"的简单模式，而是逐渐演变为：

多步骤推理
多 Agent 协作
带条件分支与循环的工作流
需要长期状态管理的系统

在这种背景下，LangGraph 应运而生。

一、LangGraph 是什么

LangGraph 是一个基于图结构（Graph）的 AI 工作流框架，用于构建可控、多步骤、多智能体的 LLM 应用系统。

一句话概括：

LangGraph 让 AI 应用从"线性调用"升级为"有状态、可回路、可控制的推理图"。

如果从架构层理解：

LangChain 提供的是构建 LLM 能力的"组件与抽象"
LangGraph 提供的是组织这些能力的"执行结构与控制模型"

LangGraph 的核心价值不在于"调用模型"，而在于控制模型如何协作、何时执行、是否回退、是否重试、如何流转状态。

二、为什么需要 LangGraph

在复杂 AI 应用中，传统 LangChain 会逐渐暴露一些结构性问题：

1. 线性 Chain 难以表达真实流程

LLM 应用往往存在：

条件分支
失败重试
多阶段决策
回环修正

单向 Chain 在表达这些逻辑时非常笨重。

2. 多 Agent 协作缺乏统一调度

当系统中存在多个 Agent（检索、写作、审查、工具执行）时，需要一个统一的流程控制器。

3. 状态管理分散

上下文、阶段结果、中间结论往往散落在不同 Chain 中，难以统一管理和追踪。

LangGraph 正是为了解决这些问题而设计的。

三、LangGraph 能做什么

LangGraph 非常适合以下类型的 AI 系统：

1. 多智能体协作系统

例如：

Research Agent（检索资料）
Writer Agent（生成内容）
Reviewer Agent（审核与反馈）
Tool Agent（调用外部服务）

这些 Agent 在同一个图中共享状态、顺序执行、条件流转。

2. 复杂 AI 工作流

典型流程示例：

用户输入 → 知识检索 → 初步推理 → 生成草稿 → 审核判断 → 通过 → 输出 → 不通过 → 返回修改

这种流程天然是图结构，而不是线性结构。

3. 构建"可控"的 AI 应用

LangGraph 可以强制 AI 系统遵循：

明确步骤
严格顺序
条件分支
循环与终止条件
工具调用时机

非常适合生产级 AI 系统。

四、LangGraph 的核心概念

1. Node（节点）

Node 是图中的基本执行单元，通常代表：

一次 LLM 调用
一次工具调用
一次判断逻辑

python 复制代码

def write_node(state):
    draft = llm.invoke(f"围绕主题写一篇文章：{state['topic']}")
    return {"draft": draft.content}

2. Edge（边）

Edge 定义节点之间的执行关系与流转条件。

python 复制代码

graph.add_edge("writer", "reviewer")
graph.add_edge("reviewer", "writer", condition=needs_revision)

3. State（全局状态）

State 是 Graph 内所有节点共享的数据结构。

python 复制代码

{
  "topic": "...",
  "draft": "...",
  "review": "...",
  "approved": false
}

每个节点都可以读取或写入 State 的一部分。

4. Graph（图）

Graph 是整个 AI 工作流的核心控制结构。

python 复制代码

graph = StateGraph(State)
graph.add_node("writer", write_node)
graph.add_node("reviewer", review_node)

五、LangGraph 最简可运行示例

1. 安装

bash 复制代码

pip install langgraph langchain-openai

2. 定义状态结构

python 复制代码

from typing import TypedDict

class State(TypedDict):
    question: str
    answer: str

3. 定义节点

python 复制代码

def answer_node(state: State):
    from langchain_openai import ChatOpenAI
    llm = ChatOpenAI(model="gpt-4o-mini")
    result = llm.invoke(state["question"])
    return {"answer": result.content}

4. 构建并编译图

python 复制代码

from langgraph.graph import StateGraph

graph = StateGraph(State)
graph.add_node("answer", answer_node)
graph.set_entry_point("answer")

app = graph.compile()

5. 执行

python 复制代码

app.invoke({"question": "什么是 LangGraph？"})

六、LangChain 与 LangGraph 的关系

简化对比如下：

维度	LangChain	LangGraph
定位	LLM 能力抽象层	AI 工作流控制层
核心结构	Chain	Graph
执行方式	线性	非线性（分支/循环）
状态管理	可选	强制内建
多 Agent	支持但弱	原生支持

一句话总结：

LangChain 负责"能力"，LangGraph 负责"秩序"。

七、实用案例：多 Agent 写作与审核工作流

目标

构建一个 AI 写作系统，具备以下能力：

写作 Agent 生成初稿
审核 Agent 判断质量
不通过则返回修改
通过则输出最终内容

状态定义

python 复制代码

class State(TypedDict):
    topic: str
    draft: str
    approved: bool

写作节点

python 复制代码

def writer(state: State):
    llm = ChatOpenAI()
    draft = llm.invoke(f"围绕主题写文章：{state['topic']}")
    return {"draft": draft.content}

审核节点

python 复制代码

def reviewer(state: State):
    llm = ChatOpenAI()
    result = llm.invoke(f"判断文章是否合格：{state['draft']}")
    approved = "合格" in result.content
    return {"approved": approved}

构建流程图

python 复制代码

graph = StateGraph(State)

graph.add_node("writer", writer)
graph.add_node("reviewer", reviewer)

graph.set_entry_point("writer")
graph.add_edge("writer", "reviewer")
graph.add_edge("reviewer", "writer", condition=lambda s: not s["approved"])

执行

python 复制代码

app = graph.compile()
app.invoke({"topic": "LangGraph 的工程价值"})

这个案例已经具备真实生产 AI 工作流的雏形。

结语

LangGraph 并不是 LangChain 的替代品，而是它的结构补全。

当 AI 应用进入以下阶段：

多 Agent
长流程
强控制
可回溯
可演进

LangGraph 几乎是必然选择。