大模型技术 LangGraph 概述

LangGraph 是由 LangChain 团队开发的一个用于构建有状态（Stateful）、**多智能体（Multi-agent）**应用程序的库。它扩展了 LangChain 的功能，允许开发者创建包含循环（Cycles）的复杂工作流。

以下是 LangGraph 的核心概述：

1. 核心定位

传统的 LangChain "链"（Chains）大多是有向无环图（DAG），即逻辑通常是线性的。但在现实的智能体应用中，往往需要"循环"，例如：

• 智能体执行任务 -> 发现错误 -> 返回上一步重试。
• 用户提问 -> 检索 -> 判断 是否足够 -> 不够则再次检索。

LangGraph 的出现就是为了解决这些需要循环逻辑 和精细状态管理的场景。

2. 核心概念

LangGraph 将程序建模为一个图（Graph），包含以下三个关键要素：

• 状态（State） ：
  • 图的全局"内存"。所有节点都可以读取和修改这个状态。
  • 它允许在步骤之间持久化数据。
• 节点（Nodes） ：
  • 代表具体的函数或逻辑单元（如：调用 LLM、查询数据库、处理输出）。
  • 每个节点接收当前状态，处理后返回更新的状态。
• 边（Edges） ：
  • 定义了节点之间的连接路径。
  • 普通边：直接从节点 A 到节点 B。
  • 条件边（Conditional Edges）：基于 LLM 的判断或逻辑条件，决定下一步去哪个节点。

3. 主要优势

• 循环支持（Cycles）：原生支持循环迭代，是构建 Agentic 工作流的基础。
• 持久化与检查点（Persistence & Checkpoints） ：
  • 可以自动保存图的状态。
  • 支持"断点续传"，即使程序崩溃或需要人工介入，也能从特定点恢复。
• 人机交互（Human-in-the-loop） ：
  • 可以在节点执行前暂停，等待人工审核或修改状态后再继续。
• 精细控制 ：
  • 相比于传统的自发式 Agent（如 AutoGPT），LangGraph 允许开发者通过预定义的图结构精确控制 Agent 的行为边界。

4. LangGraph vs LangChain Chains

特性	LangChain Chains	LangGraph
结构	主要是线性的/无环 (DAG)	支持循环 (Cycles)
状态管理	简单的输入/输出传递	复杂的全局状态更新
可控性	较低（主要靠 Prompt）	极高（由图逻辑硬编码流程）
适用场景	简单的任务序列	复杂的 Agent 协作、纠错机制

5. 典型应用场景

1. 多智能体系统（Multi-agent Systems）：例如一个 Agent 负责写代码，另一个负责测试代码，发现 bug 后回传给第一个 Agent。
2. 代码生成与执行循环：编写 -> 执行 -> 报错 -> 修改 -> 重新执行。
3. 长时运行的任务：涉及多步交互、中间需要暂停等待人类确认的业务流程。
4. RAG 优化 ：例如 Corrective RAG，如果检索到的内容不相关，则触发重新生成搜索查询。

总结

LangGraph 不是 LangChain 的替代品，而是其能力的延伸。 它将 LangChain 的组件（LLM、Tools、Prompts）编织进一个可循环、可预测且有状态的图中，是目前构建生产级、可靠智能体应用的主流框架之一。