LangGraph v1.0 现已发布！有关更改的完整列表和如何升级代码的说明，请参阅发布说明和迁移指南。如果您遇到任何问题或有反馈，请提交问题，以便我们改进。要查看 v0.x 文档，请访问存档内容。
受到塑造智能体未来的公司（包括 Klarna、Replit、Elastic 等）的信赖，LangGraph 是一个底层编排框架和运行时，用于构建、管理和部署长时间运行的有状态智能体。 LangGraph 是非常底层的，完全专注于智能体编排。在使用 LangGraph 之前，我们建议您熟悉用于构建智能体的一些组件，从模型和工具开始。 我们将在整个文档中常用 LangChain 组件来集成模型和工具，但您不需要使用 LangChain 来使用 LangGraph。如果您刚开始使用智能体或想要更高级别的抽象，我们建议您使用 LangChain 的智能体，它们为常见的 LLM 和工具调用循环提供预构建的架构。 LangGraph 专注于对智能体编排很重要的底层能力：持久化执行、流式传输、人在回路等。

​
安装

pip install -U 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 为任何长时间运行的有状态工作流或智能体提供底层支持基础设施。LangGraph 不抽象提示或架构，并提供以下核心优势：
  • 持久执行：构建能够在故障中持续存在并可以长时间运行的智能体，从停止的地方恢复。
  • 人在回路：通过在任何点检查和修改智能体状态来纳入人工监督。
  • 全面记忆：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，这些工具可以跟踪执行路径、捕获状态转换并提供详细的运行时指标。
  • 生产就绪部署：使用专为处理有状态、长时间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，但它也可以与任何 LangChain 产品无缝集成，为开发人员提供构建智能体的完整工具套件。为了改进您的 LLM 应用程序开发，请将 LangGraph 与以下产品配合使用：
  • LangSmith — 有助于智能体评估和可观测性。调试表现不佳的 LLM 应用程序运行，评估智能体轨迹，在生产中获得可见性，并随着时间的推移提高性能。
  • LangSmith — 使用专为长时间运行的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、重用、配置和共享智能体 — 并在 Studio 中使用可视化原型快速迭代。
  • LangChain - 提供集成和可组合组件以简化 LLM 应用程序开发。包含构建在 LangGraph 之上的智能体抽象。

​
致谢

LangGraph 受到 Pregel 和 Apache Beam 的启发。公共接口从 NetworkX 汲取灵感。LangGraph 由 LangChain Inc（LangChain 的创建者）构建，但可以在没有 LangChain 的情况下使用。
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.