学了Spring AI Graph再看LangGraph，发现API几乎一模一样

Java开发者看LangGraph文档最痛苦的不是概念难，而是同一个东西换了名字。本文6张对照表+代码对比，帮你5分钟打通两个框架。

先说结论

LangGraph和Spring AI Graph，底层模型完全一样 ：有向图 + 共享状态 + 节点执行 + 边路由。甚至StateGraph这个类名都一样。

真正的差异只有两处：

术语不同：Reducer→KeyStrategy，TypedDict→OverAllState
语言表达不同：Python用装饰器/字典，Java用Builder/Map

这篇文章把这两处差异一次性讲清楚。

一、状态管理：术语差异最大

这是最容易搞混的部分。

概念	LangGraph (Python)	Spring AI Graph (Java)
状态定义	`TypedDict` + `Annotated`	`OverAllState` + `KeyStrategy`
状态追加	`Annotated[list, operator.add]`	`KeyStrategy.APPEND`
状态覆盖	不加注解的字段	`KeyStrategy.REPLACE`

Python版：

bash 复制代码

class AgentState(TypedDict):
    messages: Annotated[list, operator.add]  # 追加
    next_action: str                          # 覆盖

Java版：

bash 复制代码

KeyStrategyFactory factory = KeyStrategyFactory.builder()
    .keyStrategy("messages", KeyStrategy.APPEND)
    .keyStrategy("nextAction", KeyStrategy.REPLACE)
    .build();

StateGraph graph = new StateGraph(factory);

本质一样：追加还是覆盖，就是Reducer/KeyStrategy要解决的事。

二、节点与边：API比想象中更像

概念	LangGraph	Spring AI Graph
添加节点	`add_node("name", fn)`	`addNode("name", AsyncNodeAction.node_async(fn))`
普通边	`add_edge("a", "b")`	`addEdge("a", "b")`
起始边	`add_edge(START, "a")`	`addEdge(START, "a")`
条件边	`add_conditional_edges(src, fn, map)`	`addConditionalEdges(src, AsyncEdgeAction.edge_async(fn), map)`
并行分叉	多次`add_edge(START, "a")`	`addEdge(START, List.of("a", "b"))`
并行汇聚	`add_edge(["a","b"], "c")`	`addEdge(List.of("a","b"), "c")`

注意看：addNode/addEdge/addConditionalEdges，连方法名都只差下划线和驼峰。

条件边对比

Python：

bash 复制代码

workflow.add_conditional_edges(
    "reviewer", route_decision,
    {"continue": "planner", "done": END, "retry": "executor"}
)

Java：

bash 复制代码

graph.addConditionalEdges(
    "reviewer",
    AsyncEdgeAction.edge_async(routeDecision),
    Map.of("continue", "planner", "done", END, "retry", "executor")
);

映射逻辑完全一致，Java只是多了AsyncEdgeAction的异步包装。

并行写法差异

Python并行分叉需要多次连边：

bash 复制代码

workflow.add_edge(START, "code_check")
workflow.add_edge(START, "style_check")
workflow.add_edge(["code_check", "style_check"], "merge")

Java可以一步传List：

bash 复制代码

graph.addEdge(START, List.of("codeCheck", "styleCheck"));
graph.addEdge(List.of("codeCheck", "styleCheck"), "merge");

Java这边反而更简洁。

三、持久化与恢复：几乎一致

概念	LangGraph	Spring AI Graph
内存检查点	`MemorySaver()`	`InMemoryCheckpointSaver`
数据库检查点	`PostgresSaver(conn)`	自定义实现
编译时启用	`compile(checkpointer=...)`	`compile(config)`
获取/恢复状态	`get_state()` / `update_state()`	`getState()` / `updateState()`

两边都是Pregel模型的标准实现，命名和用法几乎一致。

四、人机交互：Python更灵活

概念	LangGraph	Spring AI Graph
中断	`interrupt(value)`	`interruptsBefore/interruptsAfter`
恢复	`Command(resume=...)`	继续调用invoke

Python的interrupt()可以在节点函数内部随时中断，Java目前需要在编译时声明中断点。这是Java版目前的一个局限。

五、ReAct Agent写法

LangGraph：一行搞定

bash 复制代码

from langgraph.prebuilt import create_react_agent
agent = create_react_agent(model, tools, checkpointer=MemorySaver())

Spring AI Graph：两种方式

简单场景用ChatClient：

bash 复制代码

var chatClient = ChatClient.builder(chatModel)
    .defaultTools(toolCallbackProvider)
    .build();

复杂场景用Graph编排：

bash 复制代码

StateGraph graph = new StateGraph(factory);
graph.addNode("llm", AsyncNodeAction.node_async(llmNode));
graph.addNode("tool", AsyncNodeAction.node_async(toolNode));
graph.addEdge(START, "llm");
graph.addEdge("llm", "tool");
graph.addConditionalEdges("tool",
    AsyncEdgeAction.edge_async(routeNode),
    Map.of("continue", "llm", "done", "end"));
graph.addEdge("end", END);

选型原则：简单工具调用用ChatClient，需要多步编排/人工介入才用Graph。

六、术语速查表

bash 复制代码

LangGraph                    Spring AI Graph
──────────                   ──────────────
StateGraph              ↔    StateGraph（同名！）
TypedDict               ↔    OverAllState
Annotated + Reducer     ↔    KeyStrategy
add_node()              ↔    addNode() + AsyncNodeAction
add_edge()              ↔    addEdge()
add_edge()×N (fan-out)  ↔    addEdge(src, List.of(...))
add_edge([...], tgt)    ↔    addEdge(List.of(...), tgt)
add_conditional_edges() ↔    addConditionalEdges() + AsyncEdgeAction
compile()               ↔    compile()
MemorySaver             ↔    InMemoryCheckpointSaver
PostgresSaver           ↔    自定义CheckpointSaver
interrupt()             ↔    interruptsBefore/After
Command(goto=)          ↔    条件路由
create_react_agent()    ↔    ChatClient + Tools
LangSmith               ↔    Micrometer + OTel

选型建议

场景	选LangGraph	选Spring AI Graph
团队技术栈	Python	Java/Spring
可观测性	LangSmith深度集成	Micrometer + OTel
企业级部署	需自建	Spring安全体系天然支持
和业务集成	需跨语言	直接融入Spring微服务
生态丰富度	LangChain生态最全	快速追赶中

Java开发者的现实问题：用Python写Agent、Java写业务，两套代码库维护成本翻倍。Spring AI Graph的价值就是------不换语言，做同样的事。

但核心观点是：框架只是实现，图状态机这个模型才是本质。理解了模型，换框架只是API转换。

参考资料：

LangGraph 官方文档（langchain-ai/langgraph，2026）

Spring AI Alibaba Graph 源码（alibaba/spring-ai-alibaba，2026）

Spring AI Alibaba Graph 并行节点文档（java2ai.com）