langgraph

LangChain、LangGraph、DeepAgent、LangFlow 四大框架全景解析：从原理到落地选型本文系统梳理LangChain、LangGraph、DeepAgent、LangFlow四款主流AI应用开发框架的产生背景、核心定位、技术优势与应用场景，厘清同生态下的层级关系与分工边界，给出企业级落地的实用选型建议，帮助开发者在原型验证、复杂流程编排、高自主智能体、低代码可视化搭建等场景中精准匹配工具，提升研发效率与系统稳定性。全文聚焦工程实践，避免纯理论堆砌，具备直接落地参考价值。

南_山无梅落

从LangChain到LangGraph：构建智能Agent的实战指南（二）——LangGraph，当Agent需要“思考循环“#langgraph_core目录第二部分：LangGraph——当Agent需要"思考循环"2.1 为什么需要LangGraph？

LangChain v1.0 Middleware(中间件)使用指南LangChain 和 Deep Agents 提供了多种生产就绪的预构建中间件，用于处理常见的 Agent 使用场景。这些中间件分为两大类：

LangGraph 实战：基于外部数据库条件触发工作流执行摘要：LangGraph 作为基于图结构的工作流编排框架，其“状态驱动”特性使其能够灵活适配外部数据源触发场景。本文聚焦“外部数据库查询结果符合条件时触发工作流”这一核心实战需求，系统阐述实现原理、分步落地流程、可直接复用的完整代码示例，并针对生产环境的稳定性、可扩展性需求提供进阶优化方案，帮助开发者快速掌握 LangGraph 与外部数据库的集成技巧，高效实现自动化、智能化的工作流触发与执行。

深入浅出LangChain生态开发：LangChain、LangGraph与DeepAgent实战指南本文聚焦LangChain最新版本生态，系统拆解LangChain、LangGraph与DeepAgent三大核心框架的定位及关联逻辑，补充精准对比维度，搭配4个可直接复制运行的实战示例，新增LangChain生态UI交互落地技术及完整示例，全面覆盖开发者高频实用场景。所有代码严格遵循官方规范，简洁易懂、可落地性强，助力开发者快速上手复杂智能体开发及UI可视化落地。

山塘小鱼儿

本地Ollama+Agent+LangGraph+LangSmith运行基于LangChain官网的例子，自己本地搭建了一套智能体应用，结合本地Ollama部署模型，实现工作流+智能体交互。

Langchain 1.0后astream_events事件类型及生命周期简析本文为博客园用户“孤舟晓月”原创，发布于博客园，备份与B站。若你在其他站点看到，说明它被盗了......

LangChain入门（十五）- LangGraph为什么这么香，看它是如何逆天DIFY的在构建复杂的 AI 应用时，我们常常面临一个核心挑战：如何优雅地处理多步骤、动态决策、状态依赖的执行流程。传统的链式调用（如 LangChain 的 LCEL）虽然简洁高效，但在面对“需要根据中间结果动态决定下一步操作”或“多次循环检索-推理”等场景时，往往显得力不从心。而市面上一些低代码平台（如 DIFY）虽然提供了可视化编排，却在灵活性与控制粒度上存在明显短板——尤其在需要精细干预每一步逻辑、实时反馈或并行处理多个知识源时，其“黑盒”特性反而成了瓶颈。

【Vibe Coding】初步认识LangChain&LangGraph🔥个人主页：中草药🔥专栏：【后端】登神长阶实战落地后端全路线手册VibeCoding（氛围编程 / 感觉编程）是 2025 年初由 OpenAI 联合创始人 Andrej Karpathy 提出的新型 AI 辅助编程范式，核心是通过自然语言描述意图，让 AI 生成代码并处理底层实现细节，开发者从 "逐行写码者" 转变为 "需求引导者" 和 "结果验收者"。这种方式彻底重构了软件开发流程，让编程更关注 "做什么" 而非 "怎么做"。

Solon AI Remote Skills：开启分布式技能的“感知”时代引言：AI Agent 的“最后一公里”挑战在 AI Agent 的工程实践中，我们正在经历一场从“本地集成”到“云端插件化”的变革。过去一年，行业见证了 Model Context Protocol (MCP) 的崛起，它成功解决了大模型与外部工具跨进程连接的“协议标准化”问题。然而，随着企业级场景的深入，开发者们发现：仅仅实现连接是不够的。

LangGraph存储API完全解析：从客户端调用到服务端路由的完整链路深入剖析LangGraph框架中store/items/search接口的自动化机制，揭示客户端SDK如何无缝连接服务端存储后端。

大模型RAG和Agent技术实践

智审未来：基于 LangGraph 多 Agent 协同的新闻 AI 审查系统深度实战（完整源代码）在信息传播速度以秒计的今天，新闻审查面临着前所未有的挑战：海量内容涌入、合规标准复杂、隐喻暗示难以捕捉。传统的关键词过滤早已力不从心，海量新闻内容对审核机制提出了极高的效率与准确性要求。传统的人工审查模式面临效率瓶颈、标准不一以及对隐蔽内容识别困难等痛点。

weixin_46244623

从零搭建AI关系图生成助手：Chainlit 结合LangChain、LangGraph和可视化技术在AI快速发展的今天，如何将文本中的技术信息自动整理成可视化关系图，是很多开发者和数据分析师面临的需求。本文将分享一个完整项目案例——AI关系图生成助手，它基于 LangChain、LangGraph 和 Chainlit 构建，能够自动抽取实体关系三元组并生成 Graphviz 和 Mermaid 可视化图表。

LangGraph：让AI学会“回头是岸”的智能体架构在大模型应用开发的早期，我们像工厂老板一样，把AI当作一条高效但死板的流水线：输入进来，经过A、B、C几个固定工位，最后吐出结果。这种DAG（有向无环图）模式确实快，可一旦任务复杂一点，比如需要反复试错、中途查资料、甚至“我刚才说错了”，这套系统就直接宕机。LangChain早期的Chain设计正是如此——线性、脆弱、没有“后悔药”。

04｜Langgraph | 从入门到实战 | 进阶篇 | 流式传输本系列为Langgraph文章，最终以实现企业级项目。💟 我们已经上线了一版本初稿，欢迎各位体验 https://ai.sofreight.com/ 💟

LangGraph框架在LangChain体系中，LangGraph 是一种基于状态机的框架，专为构建复杂的 AI 工作流而设计。它允许开发者定义图结构来表示不同的操作节点以及它们之间的流转逻辑。包含 START 初始入口、END 某个分支或者整体工作的结束节位置、自定义任务节点。

LangChain、LangFlow、LangGraph：一文讲清三大 LLM 框架的定位与差异随着大模型（LLM）进入工程化落地阶段，“如何把模型变成真正可用的应用” 成了很多从业者绕不开的问题。围绕这个目标，社区里逐渐形成了一批成熟的开源框架，其中被讨论最多的就是 LangChain、LangFlow、LangGraph。

langchain1.x学习笔记（三）：langchain之init_chat_model的新用法

构建智能体与工具调用LangGraph底层依赖LangChain，接入大模型与 LangChain 完全一致，具体可参考文档 Model大模型接口

Agentic RAG：用LangGraph打造会自动修正检索错误的 RAG 系统标准 RAG 流水线有个根本性的毛病：检索到的文档一旦与用户意图对不上号，模型照样能面不改色地输出一堆看似合理的胡话，既没有反馈机制也谈不上什么纠错能力。