一文搞懂 LangGraph：从单 Agent 到多 Agent 协作的进化

为什么需要多 Agent？

复杂的 Agent 产品基本都是多 Agent 架构。

单 Agent 的痛点

java 复制代码

┌─────────────────────────────────────┐
│           单 Agent 架构              │
│  ┌─────────────────────────────┐   │
│  │  System Prompt (巨大)        │   │
│  │  - 所有 tool 描述            │   │
│  │  - 所有功能 prompt           │   │
│  │  - 所有上下文                │   │
│  └─────────────────────────────┘   │
│           ↓ 每次都带上              │
│       Token 消耗高 + 干扰多         │
└─────────────────────────────────────┘

问题：

执行每个功能只需要一部分 prompt，但每次都带上全部
Token 消耗高，无关信息干扰思考
准确率低，容易出错

多 Agent 的优势

css 复制代码

┌─────────────────────────────────────┐
│           多 Agent 架构              │
│  ┌─────────┐    ┌─────────┐        │
│  │ Agent A │    │ Agent B │  并行   │
│  │(写代码)  │    │(写测试)  │  处理   │
│  └────┬────┘    └────┬────┘        │
│       └──────┬───────┘             │
│              ↓                      │
│         主 Agent 协调               │
└─────────────────────────────────────┘

三个核心优势：

优势	说明
决策准确率高	每个 Agent 只带必要 Prompt，无冗余信息干扰
并行处理	主管分派子任务，子 Agent 并行执行，效率更高
互相纠错	多角色讨论，类似 AutoGen 的"法庭"机制

Agent = LLM(大脑) + Harness(tool + mcp + rag + skill...)

单 Agent 只有一个大脑，一步步思考调用 tool。多 Agent 多个大脑，并行思考，按需组合。

LangChain → LangGraph 演进

框架	定位	特点
LangChain	基础模块库	LLM API、Document Loaders、Embedding、Vector Store...
LangGraph	工作流编排器	网状工作流，支持分支、循环、多 Agent 协作

scss 复制代码

LangChain (基础积木)
    ↓
LangGraph (网状编排)
    ↓
复杂多 Agent 协作

网状工作流编排 API

核心概念：工作节点 + 组织方式

javascript 复制代码

import {
  Annotation,   // 状态定义
  END,          // 结束节点
  START,        // 开始节点
  StateGraph    // 状态图编排器
} from '@langchain/langgraph';

状态定义：Annotation

javascript 复制代码

const StateAnnotation = Annotation.Root({
  text: Annotation({
    reducer: (_prev, next) => next,  // 新值覆盖旧值
    default: () => "",               // 默认空字符串
  })
})

Annotation vs StateGraph 区别：

	Annotation	StateGraph
角色	📋 数据定义	🔧 流程编排
做什么	描述状态长什么样	描述节点怎么跑
类比	数据库表结构	程序主流程

基础示例：线性流程

javascript 复制代码

// 定义节点函数
const step1 = (state) => ({ text: `${state.text} -> step1` });
const step2 = (state) => ({ text: `${state.text} -> step2` });

// 编排工作流
const graph = new StateGraph(StateAnnotation)
  .addNode("step1", step1)
  .addNode("step2", step2)
  .addEdge(START, "step1")
  .addEdge("step1", "step2")
  .addEdge("step2", END)
  .compile();

// 执行
const result = await graph.invoke({ text: "hello" });
console.log(result);  // { text: "hello -> step1 -> step2" }

执行流程图：

graph TD; __start__([__start__]) --> step1(step1) step1 --> step2(step2) step2 --> __end__([__end__])

分支与循环

条件分支

javascript 复制代码

const StateAnnotation = Annotation.Root({
  query: Annotation({ reducer: (_prev, next) => next, default: () => "" }),
  route: Annotation({ reducer: (_prev, next) => next, default: () => "chat" }),
  answer: Annotation({ reducer: (_prev, next) => next, default: () => "" })
});

// 路由节点：根据条件选择分支
const router = (state) => {
  const isMath = /[+\-*/]/.test(state.query);
  return { route: isMath ? "math" : "chat" };
};

// 条件边
const graph = new StateGraph(StateAnnotation)
  .addNode("router", router)
  .addNode("math", mathHandler)
  .addNode("chat", chatHandler)
  .addEdge(START, "router")
  .addConditionalEdges("router", (state) => state.route)  // 分支
  .addEdge("math", END)
  .addEdge("chat", END)
  .compile();

分支流程图：

graph TD; __start__ --> router{router} router -->|math| math[math] router -->|chat| chat[chat] math --> __end__ chat --> __end__

可视化调试

LangGraph 内置 Mermaid 导出，方便可视化：

javascript 复制代码

const drawable = await graph.getGraphAsync();
const mermaid = drawable.drawMermaid({ withStyles: true });
console.log(mermaid);  // 直接粘贴到 Markdown 渲染

总结

场景	方案
简单任务	单 Agent + LangChain
复杂流程	LangGraph 网状编排
多角色协作	多 Agent + LangGraph

一句话： LangGraph 是 LangChain 的"大脑连接器"，把多个 Agent 组织成网状工作流，实现高效协作。

觉得有帮助的话，点个赞👍支持一下～