智能体与多智能体

langgraph

langchain-ai/langgraph

面向长时间、有状态任务的 Agent 编排框架,把模型、工具和人工审核组织成可恢复、可追踪的执行流程。

★ 41.3K星级
⑂ 7KFork 数
749未解决的问题
Python语言
MIT许可证
Q90编辑评分

概览

LangGraph 解决的是 Agent 在真实业务中如何可靠执行的问题:任务可能经过多次检索、调用工具、等待用户补充资料,还可能在中途失败。它把状态和执行路径显式建模,使开发者能控制每一步的输入、输出和下一步去向。相比只写一个聊天循环,这种方式更适合需要审计与恢复的业务流程,但也要求团队设计状态结构、失败处理和终止条件。 选型时应先判断任务是否真的需要分支、循环和暂停。如果只是一次检索后生成回答,引入复杂图结构未必划算;如果需要先查订单、提出处理建议、等待审核再执行,状态图能把这些边界表达清楚。

主要功能

  • 以共享状态组织节点和条件分支
  • 持久化检查点与失败后恢复
  • 人工中断、检查和修改执行状态
  • 短期上下文与长期记忆扩展

要求、安装和快速入门

在独立 Python 环境执行 pip install -U langgraph,先按官方 quickstart 跑通最小图。需要调用模型时再安装对应服务适配包;需要跨进程恢复时选择持久化检查点后端。JavaScript/TypeScript 应使用单独的 LangGraph.js 文档。

用法

建议试做一个售后流程:读取工单→检索政策→生成处理建议→人工确认。先用固定数据验证分支,再接入模型;记录 thread 标识,在审核节点暂停后重启进程,验证能恢复到正确任务。评估完成率、重复调用次数、单任务耗时和模型消耗,而不只检查回答是否通顺。

工作原理
节点执行模型推理、工具调用或业务函数,边定义顺序和条件分支,共享状态承载消息及中间结果。检查点持久化用于恢复执行;interrupt 机制可暂停等待人工输入。框架本身可以独立于 LangChain 使用,模型能力、存储后端和外部工具则需要应用自行配置。

适用人群与环境
需要掌控 Agent 执行路径的后端工程师与 AI 应用团队。 Python 运行环境、所选模型服务;持久化部署还需检查点存储。

具体使用场景
• 多步骤研究:保留检索证据和阶段结果,便于返工。
• 需要人工批准的业务助手:把审核作为明确节点。
• 多轮工具任务:在上下文中持续保存处理进度。

局限与选型边界
持久化不等于外部操作自动幂等;发送通知或写入业务系统的节点仍应防止重试造成重复操作。循环需要退出条件和预算。LangSmith 等配套服务与开源库属于不同组件,不能把托管服务能力视作本地安装后自动具备。

关联项目与选型分析
CopilotKit/CopilotKit:互补:用前端组件展示执行状态、接收人工确认,LangGraph 负责后端流程。

qdrant/qdrant:互补:作为检索节点的向量存储;需要通过客户端或适配器连接。

资料说明
基于上游资料的编辑分析,未进行安装实测或性能基准;建议场景和项目搭配属于选型分析。

模型兼容性与使用场景

不绑定单一模型;模型调用与工具接口由应用接入,Python 和 JavaScript 使用各自生态的适配器。

许可证与风险说明

仓库当前页面标注 MIT;完整条件请查看仓库 LICENSE,模型权重与数据集另查各自说明。

Editorial source review 2026-09-09T05:00:00.950Z. README and live repository page verified; current stars/forks from GitHub HTML. Last-push metadata retained from 2026-09-05 discovery snapshot. No runtime benchmark. Integration proposals are editorial analysis.

发布与维护

资料核对:2026-09-09。统计取自本次仓库页面;功能依据 README 与官方资料整理。版本变化请查看来源区的 Releases。 基于上游资料的编辑分析,未进行安装实测或性能基准;建议场景和项目搭配属于选型分析。

Firecrawl

firecrawl/firecrawl

★ 161.1KTypeScript

LangChain

langchain-ai/langchain

★ 143.6KPython

RAGFlow

infiniflow/ragflow

★ 86.7KGo