LangGraph：用一张图，编排一群 AI 助手

一个 AI 帮手，已经成了不少团队的标配：问一句、答一句，像跟个熟手聊天。可一旦想让好几个 AI 一起干活------一个查指标、一个翻日志、一个出结论------立刻就乱套了：谁来接力？能不能并行？中途要不要停下来问你？干到一半崩了，前面算不算白干？

LangGraph 就是来回答这些问题的。它是 LangChain 开源的多智能体编排框架（MIT 协议）。但先把本质说在前头：它首先是一个通用图执行引擎 ------节点、边、条件边、并行、存档、等人，都是图的通用能力，跟 AI 没有必然关系；只不过节点恰好可以装 AI，装上就是「编排调度多个 AI Agent」了。核心就是：你画图，它跑图。

这篇文章只用一个案例------凌晨告警「订单服务错误率飙升」------把它从头到尾讲透：先看图、再给代码，然后深入执行机制与上下文传递，最后和 Dify、Claude Code 动态工作流对比。

一个案例：凌晨两点，订单服务错误率飙升

值班手机响了。告警说订单服务错误率飙到 12%，你的 AI 助手要自己走完整个排查流程。这张图就是它要执行的全部逻辑：

图 1 · 凌晨告警排查：一个图里用遍节点、边、条件边、Send、interrupt、checkpoint

一次跑完大概是这样的：AI 先诊断，发现确实严重，就扇出 12 个并行子任务 挨个查实例；查完汇总出「哪 3 台有问题」；然后停下来问你要不要重启 ------你批了，它才执行修复 ，最后复查 + 出报告。

这张图里，几乎用到了 LangGraph 的全部核心能力：节点（每个方框）、边（箭头）、条件边 （严重？）、Send （批量排查）、interrupt （等你批准）、checkpoint（每一步落盘）。下面用代码把它画出来。

怎么用代码画出这张图

先建一张图，把每个方框注册成节点、箭头连成边：

python 复制代码

from langgraph.graph import StateGraph, START, END

def diagnose(state):   # ① 诊断：查错误率、拉 Trace，返回严不严重
    error_rate = query_error_rate(state["service"])
    return {"abnormal": error_rate > 5}

def fan_out(state):    # ③ 批量排查：Send 一次派 12 份子任务
    return [Send("check_host", {"host": h}) for h in state["hosts"]]

def check_host(state): # ④ 查单台实例（每份 Send 一个独立小任务）
    return {"results": [f"{state['host']}: 正常"]}

def ask_human(state):  # ⑤ 等你批准
    decision = interrupt("发现 3 台异常，是否自动重启？")
    return {"decision": decision}

def fix(state):        # ⑥ 执行修复
    restart(state["hosts"])
    return {}

def report(state):     # ⑦ 出报告
    return {"report": "已处理"}

g = StateGraph(dict)
g.add_node("diagnose", diagnose)          # 注册节点
g.add_node("fan_out", fan_out)
g.add_node("check_host", check_host)
g.add_node("ask_human", ask_human)
g.add_node("fix", fix)
g.add_node("report", report)

g.add_edge(START, "diagnose")             # 起点 → 诊断
g.add_conditional_edges("diagnose", route)# ② 条件边：严重？→ 排查 or 出报告
g.add_conditional_edges("fan_out", fan_out)  # ③ Send fan-out
g.add_edge("check_host", "ask_human")     # 查完 → 等批准
g.add_edge("ask_human", "fix")            # 批准 → 修复
g.add_edge("fix", "report")               # 修复 → 出报告
g.add_edge("report", END)

graph = g.compile(checkpointer=InMemorySaver())   # 编译 + 开持久化

逐个看几个关键点：

① 节点就是一个普通函数

diagnose、check_host、fix 都是普通 Python 函数。要不要用 LLM，完全由函数内部决定------diagnose 里可以调模型，check_host 可以是纯计算。

② 条件边决定走哪条路

route 返回 "fan_out" 还是 "report"，图就自动走到对应节点：

python 复制代码

def route(state):
    return "fan_out" if state.get("abnormal") else "report"

③ Send = 批量派活

fan_out 返回 12 个 Send("check_host", {...})，同一超步并行执行，结果自动合并：

python 复制代码

def fan_out(state):
    return [Send("check_host", {"host": h}) for h in state["hosts"]]

图 2 · Send 放大：一次发 N 份独立子任务，同一超步并行跑完再合并

④ interrupt = 停下来等人工

节点里调 interrupt()，图就停住把问题抛给你；你批准后带答案 resume，图从 checkpoint 恢复接着跑：

python 复制代码

decision = interrupt("发现 3 台异常，是否自动重启？")
# 你批准后：
graph.invoke(Command(resume="yes"),
             {"configurable": {"thread_id": "t1"}})

⑤ checkpoint = 每一步落盘

图每跑完一步就存一次进度（thread_id 当工单号）。中途崩了，用同一个 thread_id 重新调用，从断点续跑------官方叫 durable execution。

LangGraph 到底怎么执行这张图？

跑图不是一口气从头窜到尾，而是一轮一轮往前走。官方叫超步，一轮就干四件事：

图 3 · 一个超步：算出谁跑 → 并行跑完 → 刷新白板 → 落盘

节点之间不传话。大家都对着同一块白板：本轮只读板上已有的字，写下的更新先放一边，这一轮全部跑完，白板才刷新。源码注释就一句：第 N 步写的，第 N+1 步才看得见。

图 4 · 上下文怎么传：不互相传话，只读写同一块白板

拿图 1 的值班案例走一遍，就是这个节奏：

图 5 · 值班案例按超步摊开：写的东西，下一轮才进白板

聊天记录也走同一套：把 messages 放进白板，下一步才看得见。

和别的方案比，差在哪？

Dify、Claude Code 都常被叫「多 Agent」，但和 LangGraph 一比，差别一张表就够。

Dify：可视化平台 vs 代码库

Dify 是网页画布拖节点，LangGraph 是 Python 代码画图。

维度	Dify	LangGraph
形态	网页画布拖拽节点	Python 代码画图
谁适合	非开发者 / 快速搭原型	开发者 / 精细控制
授权	Apache 2.0 修改版（商用有附加条件）	MIT（可商用）

Claude Code 动态工作流：AI 现写一份 LangGraph

你只说要做什么，它在后台自动拆任务、编几十到几百个 agent 并行跑。

维度	Claude Code 动态工作流	LangGraph
谁来编排	AI 自己：读需求动态拆	你：代码画死图结构
编排产物	内存里的 agent 树，跑完即散	可编译、可回放的图定义
可预测性	同样输入可能走出不同的图	图固定，行为可预期

一句话记：Dify 给你开好的车，Claude Code 是 AI 帮你现写编排，LangGraph 给你发动机和图纸------自由度最大，也最费功夫。

我们开源的 DataBuff，多 Agent 怎么协同？

我们开源的 DataBuff（AI 原生 APM，GitHub：github.com/databufflabs/databuff）也做了多 Agent 协同。你只对一个入口说话，AI 大脑把活派给问数、巡检、运维、答疑等专家并行去查，再汇总成带证据链的结论：

图 6 · 你只对一个入口；复杂协作在后台完成

核心目的

LangGraph 的核心目的不是「给你现成的多 Agent 方案」，而是给「需要长期运行、有状态、要持久化、要人机回路的 Agent 流程」提供一个可控的运行时而定------它把「并行、存档、等人、恢复」这些底层脏活做成原语，让你只操心业务流程本身。

**Takeaway：**把案例里那 6 个函数和图结构抄到本地跑一遍，你就知道多智能体编排是怎么一回事了。

DataBuff

开源 AI Native OpenTelemetry APM · 指标、链路、日志与 AI 排障一体

GitHub： github.com/databufflab...

在线 Demo： demo.databuff.ai