受到塑造智能体未来的公司信任——包括 Klarna、Replit、Elastic 等——LangGraph 是一个用于构建、管理和部署长期运行、有状态智能体的底层编排框架和运行时。

LangGraph 非常底层，完全专注于智能体编排。在使用 LangGraph 之前，我们建议您先熟悉一些用于构建智能体的组件，从模型和工具开始。

在整个文档中，我们通常会使用 LangChain 组件来集成模型和工具，但您不需要使用 LangChain 来使用 LangGraph。如果您是智能体新手，或者想要一个更高层次的抽象，我们建议您使用 LangChain 的智能体，它为常见的 LLM 和工具调用循环提供了预构建的架构。

LangGraph 专注于对智能体编排至关重要的底层能力：持久化执行、流式处理、人在回路等。

安装

pip

pip install -U langgraph

uv

uv add langgraph

然后，创建一个简单的 hello world 示例：

from langgraph.graph import StateGraph, MessagesState, START, END

def mock_llm(state: MessagesState):
    return {"messages": [{"role": "ai", "content": "hello world"}]}

graph = StateGraph(MessagesState)
graph.add_node(mock_llm)
graph.add_edge(START, "mock_llm")
graph.add_edge("mock_llm", END)
graph = graph.compile()

graph.invoke({"messages": [{"role": "user", "content": "hi!"}]})

核心优势

LangGraph 为任何长期运行、有状态的工作流或智能体提供底层支持基础设施。LangGraph 不抽象提示词或架构，并提供以下核心优势：

• 持久化执行：构建能够从故障中恢复、可以长时间运行、并能从中断处继续执行的智能体。
• 人在回路：通过在任何时间点检查和修改智能体状态，融入人工监督。
• 全面的记忆：创建具有短期工作记忆（用于持续推理）和跨会话长期记忆的有状态智能体。
• 使用 LangSmith 调试：通过可视化工具深入了解复杂的智能体行为，这些工具可以追踪执行路径、捕获状态转换并提供详细的运行时指标。
• 生产就绪的部署：使用专为处理有状态、长期运行工作流的独特挑战而设计的可扩展基础设施，自信地部署复杂的智能体系统。

LangGraph 生态系统

虽然 LangGraph 可以独立使用，但它也能与任何 LangChain 产品无缝集成，为开发者提供构建智能体的全套工具。为了改进您的 LLM 应用开发，请将 LangGraph 与以下产品结合使用：

LangSmith

在一个地方追踪请求、评估输出并监控部署。使用 LangGraph 在本地进行原型设计，然后借助集成的可观测性和评估功能投入生产，以构建更可靠的智能体系统。

了解更多 →

LangSmith Agent Server

使用专为长期运行、有状态工作流构建的部署平台，轻松部署和扩展智能体。跨团队发现、复用、配置和共享智能体——并通过 Studio 中的可视化原型设计快速迭代。

了解更多 →

LangChain

提供集成和可组合的组件，以简化 LLM 应用开发。包含构建在 LangGraph 之上的智能体抽象。

了解更多 →

致谢

LangGraph 的灵感来源于 Pregel 和 Apache Beam。其公共接口的设计灵感来自 NetworkX。LangGraph 由 LangChain Inc（LangChain 的创建者）构建，但可以在不使用 LangChain 的情况下使用。