LangGraph：构建多代理动态工作流的开源框架，支持人工干预、循环、持久性等复杂工作流自动化

最新推荐文章于 2025-10-21 09:59:02 发布

原创最新推荐文章于 2025-10-21 09:59:02 发布 · 3.1k 阅读

13 ·

CC 4.0 BY-SA版权

文章标签：

#自动化 #人工智能 #自然语言处理 #AI大模型 #大模型 #LLM #ai

该文章已生成可运行项目，

功能特点：支持循环、持久性和人工干预，适用于复杂的工作流自动化。
技术原理：基于图结构的状态管理，节点和边定义执行顺序，支持条件边和自定义函数。
应用场景：客户服务自动化、数据检索与分析、业务流程自动化等。

一、LangGraph 是什么

在这里插入图片描述

LangGraph 是一个基于图结构的开源框架，专为构建状态化、多代理系统设计，特别是与大型语言模型（LLMs）一起使用时，用于创建代理和多代理工作流。作为 LangChain 生态系统的一部分，LangGraph 提供了循环、可控性和持久性等核心优势，支持定义涉及循环的流程，提供细粒度的流程和状态控制，并内置持久性功能，支持高级的人工干预和记忆功能。

LangGraph 平台是一个商业解决方案，用于将应用程序部署到生产环境。它支持复杂的代理架构，适用于各种自动化场景，如客户服务、数据检索和业务流程自动化。

二、LangGraph 的主要功能

循环和分支：支持在应用程序中实现循环和条件逻辑，对于构建复杂的代理架构至关重要。
持久性：在图的每一步之后自动保存状态，支持在任何点暂停和恢复图的执行，以支持错误恢复、人工干预工作流、时间旅行等功能。
人工干预：LangGraph 能中断图的执行，以便人工批准或编辑代理计划的下一个行动。
流式支持：支持按每个节点生成的顺序流式传输输出，包括令牌流。
与 LangChain 集成：LangGraph 与 LangChain 和 LangSmith 无缝集成，但也能独立使用。

三、LangGraph 的技术原理

状态管理：LangGraph 中的每个图执行都能创建一个状态，状态在图的节点之间传递，在每个节点执行后基于返回值更新内部状态。
节点和边：LangGraph 用节点表示执行的步骤，边定义节点之间的执行顺序和条件。
条件边：LangGraph 支持条件边，下一个节点的执行取决于图的状态。
图类型：支持选择不同类型的图定义状态更新的方式，或用自定义函数定义。
内存和持久性：基于内置的持久性功能，如 MemorySaver，保存状态，在不同的执行之间保持上下文。
与 LLMs 的集成：与大型语言模型（LLMs）一起工作，支持模型调用定义的工具，根据模型的输出决定下一步的行动。

四、如何运行 LangGraph

以下是一个简单的 LangGraph 示例，展示了如何使用 LangGraph 构建一个基于搜索工具的代理。

pip install -U langgraph
pip install langchain-anthropic

export ANTHROPIC_API_KEY=sk-...

from typing import Annotated, Literal, TypedDict
from langchain_core.messages import HumanMessage
from langchain_anthropic import ChatAnthropic
from langchain_core.tools import tool
from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import END, START, StateGraph, MessagesState
from langgraph.prebuilt import ToolNode

@tool
def search(query: str):
    """Call to surf the web."""
    if"sf"in query.lower() or"san francisco"in query.lower():
        return"It's 60 degrees and foggy."
    return"It's 90 degrees and sunny."

tools = [search]
tool_node = ToolNode(tools)
model = ChatAnthropic(model="claude-3-5-sonnet-20240620", temperature=0).bind_tools(tools)

def should_continue(state: MessagesState) -> Literal["tools", END]:
    messages = state['messages']
    last_message = messages[-1]
    if last_message.tool_calls:
        return"tools"
    return END

def call_model(state: MessagesState):
    messages = state['messages']
    response = model.invoke(messages)
    return {"messages": [response]}

workflow = StateGraph(MessagesState)
workflow.add_node("agent", call_model)
workflow.add_node("tools", tool_node)
workflow.add_edge(START, "agent")
workflow.add_conditional_edges("agent", should_continue)
workflow.add_edge("tools", 'agent')
checkpointer = MemorySaver()
app = workflow.compile(checkpointer=checkpointer)

final_state = app.invoke(
    {"messages": [HumanMessage(content="what is the weather in sf")]},
    config={"configurable": {"thread_id": 42}}
)
print(final_state["messages"][-1].content)

资源

项目官网：https://langchain-ai.github.io/langgraph/
GitHub 仓库：https://github.com/langchain-ai/langgraph
LangGraph 平台文档：https://langchain-ai.github.io/langgraph/concepts/langgraph_platform
LangGraph 教程：https://langchain-ai.github.io/langgraph/tutorials/