深入浅出 LangGraph：从单 Agent 痛点走向多 Agent 复杂协作编排实战

HjhIron2026-10-12 10:56

一、 为什么我们需要多 Agent？

随着大模型应用的深入，复杂的 Agent 产品基本都是多 Agent 架构。我们在开发中经常会遇到单 Agent 带来的诸多痛点：

  1. 上下文开销巨大：单 Agent 架构下，所有 Tool 的描述、每个功能的 Prompt 都堆砌到 System Prompt 里。
  2. 信息干扰严重 ：实际执行每个具体功能只需一部分 Prompt，但单 Agent 每次都要带上全部上下文。这不仅导致 Token 消耗更高 ，更致命的是大量的无关信息会导致模型思考效率降低且容易出错。
  3. 并发困难：单 LLM 只有一个"大脑"，只能一步步思考，无法真正并行。

如何拆分成多 Agent？

每个子 Agent 只保留需要的 Prompt。执行具体功能时，消耗的 Token 更少，没有无关信息干扰，准确率自然更高。

多 Agent 的三大核心优势

  • 决策准确率高，Token 消耗更低：调用 LLM 次数虽然可能增多，但每次只带必要的最小 Prompt，没有冗余信息干扰，综合成本反而下降。
  • 并行思考与任务处理：主 Agent 下发任务，子 Agent 并行处理（如编程 Agent 写代码，测试 Agent 同步写测试代码 TDD），整体效率更高。
  • 多角色互相讨论，纠错能力更强：借鉴 AutoGen 的"法庭"模式，通过多角色辩论大幅提升结果可靠性。

Agent 公式 ：Agent = LLM + Harness (tool + mcp + rag + skill + ...)。

二、 LangChain vs LangGraph：从线性到网状

在多 Agent 编排领域，我们的工具也在演进：

  • LangChain ：擅长线性工作流编排（如基础模块：llm api、document loaders、splitter、embedding、vector store、output parser、memory）。
  • LangGraph ：专为网状 工作流编排设计。它引入了 State（状态图），由工作节点 + 组织方式（API） 构成，完美支持复杂 Agent 协作。

LangGraph 核心概念

在 LangGraph 中，一切皆图（Graph）：

  • 开始节点 (START) ：初始化状态。
  • 工作节点 (Node) ：职责是接收 State 并返回新的 State。
  • 连接工作节点 (Edge) ：定义节点间的流转方向。
  • 分支与循环 (Conditional Edges) ：根据 State 动态决定下一步走向。
  • 最终状态 (END) ：工作流终止。

此外，持久化（Persistence）至关重要。为了应对 Agent 执行中断、失败、暂停或需要授权的情况，我们需要将 State 保存到内存（MemoryServer / MemorySaver）或数据库（SQLite, Redis）中，下次继续执行，避免从头重跑。

三、 LangGraph 实战演练

下面我们从基础到进阶，逐步实现 LangGraph 的四大核心能力。

1. 基础图构建与可视化 (basic-graph.mjs)

一切从最基础的 Graph 开始。我们需要定义状态（State）和节点（Node）。

javascript

javascript 复制代码 
import {
  Annotation, // 注释 工作流的状态值的描述 数据 state
  END,        // 结束节点
  START,      // 开始节点
  StateGraph, // 状态图 流程编排器 节点的组织
} from '@langchain/langgraph';

// 状态声明，使用 Annotation 声明一个字段
const StateAnnotation = Annotation.Root({
  text: Annotation({ // 只有 text 字段
    // _prev 来到当前节点之前的状态，next 当前节点得到的状态
    // reducer 怎么处理状态的改变
    reducer: (_prev, next) => next, // js 数组reduce 消消乐 text状态如何变
    default: () => "", // 默认值
  })
});

// 定义节点
// 函数就是节点
// 返回值 是下一个节点的状态
// reducer 处理状态的改变
const step1 = (state) => ({text: `${state.text} -> step1`});
const step2 = (state) => ({text: `${state.text} -> step2`});

// 实例化图工作流编排器
const graph = new StateGraph(StateAnnotation)
  // 声明所有节点
  .addNode("step1", step1)
  .addNode("step2", step2)
  .addEdge(START, "step1")
  .addEdge("step1", "step2")
  .addEdge("step2", END)
  .compile(); // 编译工作流 执行

// 可视化的图
// mermaid 文本画图工具，简单的markdown，自动生成流程图
// 可视化整个节点流转关系。
const drawable = await graph.getGraphAsync();
const mermaid = drawable.drawMermaid({ withState: true });
console.log(mermaid);

2. 条件分支与路由 (conditional-routing.mjs)

在实际业务中，我们需要根据用户的输入分发给不同的节点处理（例如：数学计算 vs 日常闲聊）。

javascript

javascript 复制代码 
import {
  Annotation, END, START, StateGraph
} from '@langchain/langgraph';

// 状态声明
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: () => "" }),
});

// 节点声明 走向可以选择的
const router = (state) => {
  const isMath = /[+-*/]/.test(state.query); // 匹配加减乘除任意一个运算符
  // 下一步怎么走？
  // 如果是数学问题，走math 节点，否则走chat 节点
  return {
    route: isMath ? "math" : "chat",
  }
}

const mathNode = (state) => {
  try {
    return {
      answer: String(eval(state.query)) // 匹配
    }
  } catch {
    return {
      answer: "表达式无法计算"
    }
  }
}

const chatNode = (state) => ({
  answer: `你说的是：${state.query}`,
})

const graph = new StateGraph(StateAnnotation)
  // 声明路由节点, name 节点的名称
  .addNode("router", router)
  .addNode("math", mathNode)
  .addNode("chat", chatNode)
  .addEdge(START, "router") // 走向固定
  // 条件跳转 state.route 值判断，math, chat
  // 分支条件
  .addConditionalEdges(
    "router",
    (state) => state.route,
    {
      math: "math",
      chat: "chat",
    },
  )
  .addEdge("math", END)
  .addEdge("chat", END)
  .compile(); // 编译状态图 执行

// 调用测试
console.log("result:", await graph.invoke({query: "你好"}));
console.log("result:", await graph.invoke({query: "1+2"}));

3. 循环与重试机制 (loop-retry.mjs)

Agent 经常会遇到失败重试的场景。利用条件边，我们可以轻松实现循环。

javascript

javascript 复制代码 
import {
  Annotation, END, START, StateGraph
} from '@langchain/langgraph';

const StateAnnotation = Annotation.Root({
  tries: Annotation({ reducer: (_prev, next) => next, defaultValue: 0 }),
  ok: Annotation({ reducer: (_prev, next) => next, default: () => false }),
  message: Annotation({ reducer: (_prev, next) => next, default: () => "" }),
})

const attempt = (state) => {
  const tries = state.tries + 1;
  const ok = tries >= 3;
  return {
    tries,
    ok,
    message: ok ? `第${tries}次成功尝试` : `第${tries}次失败`,
  }
}

const graph = new StateGraph(StateAnnotation)
  .addNode("attempt", attempt)
  .addEdge(START, "attempt")
  .addConditionalEdges("attempt", (state) => state.ok ? "done" : "retry", {
    retry: "attempt", // 循环回到 attempt 节点
    done: END,
  })
  .compile();

console.log("result:", await graph.invoke({tries: 0}));

4. 状态持久化与多用户隔离 (checkpointer-memory.mjs)

如何让 Agent 记住上下文？如何区分不同用户的会话？LangGraph 提供了 MemorySaver。

javascript

javascript 复制代码 
import {
  Annotation, END, START, MemorySaver, StateGraph
} from '@langchain/langgraph';

const StateAnnotation = Annotation.Root({
  // session 相关会话 某人 访问次数
  visitCount: Annotation({ reducer: (_prev, next) => next, default: () => 0 }),
  message: Annotation({ reducer: (_prev, next) => next, default: () => "" }),
})

// 计数的节点
function recordVist(state) {
  const visitCount = state.visitCount + 1;
  const message = visitCount === 1
    ? "这是你在本会话里第1次进入。"
    : `这是你在本会话里第${visitCount}次进入。`;
  return {
    visitCount,
    message,
  }
}

const graph = new StateGraph(StateAnnotation)
  .addNode("recordVist", recordVist)
  .addEdge(START, "recordVist")
  .addEdge("recordVist", END)

const checkpointer = new MemorySaver(); // 实例化一个内存保存器
const app = graph.compile({
  checkpointer // 挂载持久化
})

// 多用户隔离（通过 thread_id 区分）
const user1 = { configurable: { thread_id: "用户-小张" } };
const user2 = { configurable: { thread_id: "用户-小李" } };

const res1 = await app.invoke({}, user1); // 小张第一次
console.log(res1);
const res2 = await app.invoke({}, user1); // 小张第二次
console.log(res2);
const res3 = await app.invoke({}, user1); // 小张第三次
console.log(res3);
const res4 = await app.invoke({}, user2); // 小李第一次，独立计数
console.log(res4);

5. 中断与恢复：Human-in-the-loop (graph-interrupt.mjs)

对于敏感操作（如转账），我们需要人工确认。LangGraph 允许我们中断图执行，并在获取用户输入后恢复。

javascript

javascript 复制代码 
import {
  Annotation, END, START, StateGraph, Command, interrupt, MemorySaver
} from '@langchain/langgraph';
import { createInterface } from 'node:readline/promises';

// graph 设计图
const StateAnnotation = Annotation.Root({
  actionSummary: Annotation({ reducer: (_prev, next) => next, default: () => "" }),
  userInput: Annotation({ reducer: (_prev, next) => next, default: () => "" }),
})

const showTransfer = () => ({
  actionSummary: "向张三转账 $100"
})

const waitConfirm = (state) => {
  const text = interrupt({ // 中断
    hint: "终端里输入[确认]或者备注后回车，图才会继续",
    actionSummary: state.actionSummary
  });
  return { userInput: String(text) }
}

const graph = new StateGraph(StateAnnotation)
  .addNode("showTransfer", showTransfer)
  .addNode("waitConfirm", waitConfirm)
  .addEdge(START, "showTransfer")
  .addEdge("showTransfer", "waitConfirm")
  .addEdge("waitConfirm", END)
  .compile({ checkpointer: new MemorySaver() })

const config = { configurable: { thread_id: "interrupt-demo" } };
const paused = await graph.invoke({}, config);
console.log("待你确认", paused.__interrupt__?.[0]?.value);

// node 业务恢复执行
const rl = createInterface({
  input: process.stdin,
  output: process.stdout
});
const line = (await rl.question("> ")).trim();
console.log("你输入了", line);
await rl.close();

// 使用 Command 恢复执行，并传入用户输入
const done = await graph.invoke(new Command({resume: line}), config);
console.log("done:", done);

四、 总结

从 LangChain 的线性编排到 LangGraph 的网状编排，是 AI Agent 从"单兵作战"走向"团队协作"的必经之路。

通过 LangGraph，我们可以轻松实现：

  1. State 状态共享 ：利用 Annotation.Root 和 reducer 精细化控制状态流转。
  2. 灵活的控制流 ：通过条件边（addConditionalEdges）实现复杂的路由（Router）与循环（Loop/Retry）。
  3. 生产级的持久化 ：结合 MemorySaver / SqliteSaver 和 thread_id，实现多用户会话隔离与断点续传。
  4. Human-in-the-loop ：通过 interrupt() 和 Command(resume)，在关键业务节点引入人工审核。

多 Agent 协作的大门已经打开，赶紧在你的业务中试试 LangGraph 吧！

相关推荐
ZzT2 小时前
OpenRig 拆解：用 YAML 把 Claude Code 和 Codex 编成一支团队
ai编程
MacroZheng2 小时前
这可能是Windows下最适合Claude Code/Codex的终端了，真的夯！
人工智能·后端·ai编程
郑州光合科技余经理3 小时前
出海外卖平台：支付对接为什么要和下单收款分开
android·java·开发语言·前端·后端·php·ai编程
星核0penstarry3 小时前
企业接入多家 AI API，聚合平台能解决什么、不能解决什么
人工智能·大模型·ai编程·合规·api聚合平台·大模型网关·接入层
乘风gg4 小时前
Spec Kit vs OpenSpec vs Superpowers：三大 AI Coding 框架深度对比
前端·ai编程·claude
To_OC14 小时前
被 Vibe Coding 反噬之后，我老老实实地回去写文档了
aigc·ai编程·vibecoding
李福春16 小时前
技术思考问题2：AI 编程高效的关键，是更强模型还是更清晰的问题定义？
ai编程·工程效能·vibe coding·深圳同盟·腾讯云架构师技术同盟·能力圈·检查清单
小虎AI生活16 小时前
AI 替掉重复劳动后，把人转向获客侧的实操方法（附提示词模板）
aigc·ai编程
热门推荐
01国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）02历年考研数学一、数学二、数学三真题试卷及答案PDF03如何新建文件夹？ 电脑新建文件夹的4种方法04GitHub 镜像站点05「全语录+省流版」邵艾伦 × 孙宇晨：聊风口、聊个人IP、聊年轻人如何抓住 AI 时代的机会06蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接07轻量化AI渗透武器库｜ARTEX自主攻防系统、资产梳理、漏洞挖掘、链路分析全流程智能化落地08Windows 10/11 如何退出微软账户并改用本地账户登录（含找不到选项的解决方法）09微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新10Telegram APK 下载安装完整指南 — 2026年最新