LangGraph

概念

LangGraph 是用于构建、管理和部署长期运行、有状态智能体的底层编排框架，属于 LangChain 生态中的高级库。

特点：

• 持久执行：能够经受故障并长时间运行，从中断处自动恢复。
• 人机协同：在执行过程中的任意时刻，通过检查与修改智能体状态引入人类监督。
• 全面记忆：支持短期工作记忆（持续推理）与跨会话的长期持久记忆。

与 LangChain 的区别

LangGraph 为大模型应用带来更可控的循环计算能力。它超越了 LangChain 的线性工作流，通过循环与条件分支支持复杂、多步骤的任务处理。

维度	LangChain	LangGraph
流程模型	线性链式（LCEL | 组合）	图结构（节点 + 边 + 状态）
状态管理	需额外封装	内置有状态执行
适用场景	单次调用、简单链	多轮推理、工具循环、人机协作

学习 Agent 框架的八大要点

1. 如何实现外部调用
2. 如何实现多轮对话
3. 如何实现流式输出
4. 如何实现短期 / 长期记忆
5. 如何实现人机交互
6. 如何实现规划逻辑
7. 如何实现多 Agent
8. 如何实现 Debug 和监控

核心概念：图

LangGraph 将代理工作流建模为图，通过三个组件定义行为：

组件	说明
State（状态）	共享数据结构，表示应用当前上下文；可为任意 Python 类型，通常为 TypedDict
Node（节点）	编码代理逻辑的 Python 函数；接收当前 State，执行计算后返回更新后的 State
Edge（边）	根据当前 State 决定下一步执行哪个 Node；支持条件分支或固定转换

组合 Node 与 Edge，即可构建复杂、多分支、可循环的动态工作流，State 随执行逐步演变。

代理架构

LangGraph 默认支持四种常见代理模式。从上到下，人为控制逐渐减少，自主性依次增强：

模式	流程	控制程度
路由代理	用户输入 → LLM 意图分类 → 路由到对应专业节点	高
工具代理	用户提问 → LLM 判断是否用工具 → 调用工具 → 整理回答	中
自主循环代理	思考 → 行动 → 观察 → 回到自身节点继续思考	低
多代理	一个模型分析问题并分类，分别交给对应模型处理	最低

路由代理

构建路由图时，通常配合 .with_structured_output() 使用，输出格式可选 TypedDict、JSON Schema 或 Pydantic（推荐）。

Pydantic 结构化输出可确保数据符合指定结构与类型，减少处理错误；验证失败时会抛出异常，便于及早发现问题。

from typing import Optional
from pydantic import BaseModel, Field

class User(BaseModel):
    """Extracted user information, such as name, age if relevant"""
    name: str = Field(description="The name of user")
    age: Optional[int] = Field(description="The age of user")

字段说明：

• name：必填
• age：可选

工具代理

LangGraph 提供内置 ToolNode 用于工具调用，内部流程与 Function Calling 基本一致。

ToolNode 返回 LangChain Runnable 对象：以图状态（含消息列表）为输入，输出状态更新及工具调用结果，从而与 LangGraph 其他组件衔接。

使用前提：

1. State 必须包含消息列表
2. 最后一条消息必须是 AIMessage
3. AIMessage 必须包含 tool_calls

自主循环代理（ReAct）

ReAct（Reasoning + Acting）是 Agent 的核心思考与行动框架：通过自然语言推理指导工具调用，形成「思考 → 行动 → 观察」的循环，直到任务完成。

在 LangGraph 中，自主循环代理通过边将节点指回自身实现循环：LLM 节点输出工具调用 → ToolNode 执行并写回观察结果 → 再次进入 LLM 节点继续推理。该模式适合多步推理、工具协作等场景（如智能客服、报告生成、任务规划）。

多代理

多代理模式下，通常由协调节点负责问题分析与任务分发，各子代理专注特定领域。LangGraph 的图结构天然支持多节点协作与条件路由，便于组合不同模型或不同工具集。