《LangGraph 入门:为什么 Agent 需要 Graph 工作流?》

核心问题:

为什么已经有 LangChain Agent 了,还需要 LangGraph?


1. Agent 为什么越来越复杂?

先回顾普通 Agent:

复制代码
用户输入

↓

LLM 思考

↓

调用 Tool

↓

返回结果

简单任务没问题。

例如:

查询天气

流程:

复制代码
用户
 ↓
天气 Tool
 ↓
结果

但是实际 Agent:

比如:

帮我完成一次旅游规划

可能需要:

复制代码
理解需求

↓

搜索资料

↓

制定计划

↓

检查预算

↓

修改方案

↓

等待用户确认

↓

执行

这已经不是一次 Tool 调用了。

它变成:

一个不断变化的工作流。


2. LangChain Agent 的问题

LangChain 传统 Agent 更像:

复制代码
LLM
 |
决定下一步
 |
Tool
 |
结果
 |
继续思考

所有逻辑都交给一个 Agent。

问题:

2.1 上下文越来越大

单 Agent:

diff 复制代码
System Prompt

+
所有 Tool 描述

+
所有规则

+
所有技能

例如:

一个 Agent 有:

  • 搜索
  • 数据库查询
  • 邮件发送
  • 文件处理

但用户只是问:

查订单

结果:

数据库查询相关的信息只有一点。

但是:

所有 Tool 描述都塞进去。

问题:

  • token 增加
  • 无关信息干扰
  • 决策质量下降

3. 多 Agent 为什么出现?

拆分:

markdown 复制代码
              主 Agent

                  |

      ----------------------

      |          |          |

  搜索Agent   数据Agent   邮件Agent

每个 Agent:

只负责自己的领域。

例如:

搜索 Agent:

复制代码
搜索相关 Prompt
搜索 Tool
搜索规则

数据库 Agent:

sql 复制代码
SQL
Schema
查询规则

优点:

  • 上下文更小
  • 推理更准确
  • 更容易维护

4. LangGraph 的核心思想

LangGraph 不关注:

让一个 Agent 无限思考。

它关注:

如何组织 Agent 的执行流程。

把流程变成 Graph:

sql 复制代码
START

 ↓

Router

 ↓

 ┌────────┐
 ↓        ↓

Search   Database

 ↓        ↓

   Result

      ↓

     END

这里:

节点:

Node

负责执行任务。

连接:

Edge

负责控制流程。

数据:

State

负责保存中间结果。


5. Graph 是什么?

Graph:

就是:

复制代码
节点 + 边

例如:

css 复制代码
A -----> B -----> C

在 LangGraph:

A/B/C:

就是 Node。

箭头:

就是 Edge。


6. State 是什么?

所有节点共享的数据。

例如:

旅游规划:

css 复制代码
{
 destination:"",
 budget:"",
 plan:[]
}

流程:

第一个节点:

kotlin 复制代码
return {
 destination:"东京"
}

第二个节点:

读取:

复制代码
state.destination

继续生成方案。

所以:

State 是 Agent 工作流中的共享上下文。


7. LangGraph 第一印象

最终:

markdown 复制代码
             State

               ↓

Node → Edge → Node → Edge → Node


               ↓

          最终结果

LangGraph 提供:

  • 状态管理
  • 流程编排
  • 条件分支
  • 循环
  • 暂停恢复

让 Agent 从:

复制代码
一个会思考的函数

变成:

复制代码
一个可控制的工作流系统

总结

一句话:

LangGraph 是一个基于 Graph 结构编排 Agent 工作流的框架,它通过 State 保存上下文,通过 Node 执行业务逻辑,通过 Edge 控制执行路径,让复杂 Agent 支持分支、循环、记忆和人工介入。

相关推荐
初学AI的小高2 分钟前
VFM:让 Agent 同时接受上千条自然语言规则的运行时检查
人工智能
我si绝版10 分钟前
OpenClaw 安装步骤
人工智能
Seiran12 分钟前
用Grok 4.7在ZEEKEAI啃长文档的提效实战
人工智能
Bacon16 分钟前
给项目做一次"全身 CT":Agent Skills 生态里的代码体检全链路
前端·人工智能·后端
培培说证17 分钟前
大专商务数据分析与应用可以报考哪些职业证书?
人工智能·数据挖掘·数据分析
pursuit_c20 分钟前
关于 Personal Agent 的思考碎片
人工智能
龙腾AI白云27 分钟前
具身智能的空间导航与未知环境探索
大数据·数据库·人工智能·机器学习·知识图谱
snakeshe101034 分钟前
大模型 Function Call 实战入门:原理、环境搭建与多轮调用完整教程
人工智能
用户3600555790035 分钟前
Kestrel_VLLM - 43 · 默认化前的一次解耦:一个遮蔽 bug 与一次口径污染
人工智能
狒狒AI42 分钟前
DeepSeek Harness 插件生态拆解:31,259 个仓库与 93% 装不上的口径差
人工智能