LangGraph
用图结构组织和管理 AI 工作流的编排框架
简介
LangGraph 是 LangChain 生态的工作流编排框架，采用图数据结构来组织和管理复杂的 AI 智能体协作流程。它允许多个智能体分工协作，类似项目负责人安排团队工作。
核心设计理念
1. 图结构工作流
- 节点：代表智能体或处理步骤
- 边：代表数据流动和控制转移
- 循环：支持迭代和重试机制
- 条件分支：根据输出动态选择路径
2. 有状态执行
- 内置状态管理
- 支持断点续跑
- 中间结果持久化
- 执行轨迹可追溯
3. 多代理协作
- 智能体分工明确
- 信息传递标准化
- 任务自动分配
- 结果自动汇总
不同素材中的观点
来自 2026-04-29-yupi-ai-guide-programming-tech：
- 构建有状态、多代理的企业级 AI 大项目
- 用图的结构组织和管理 AI 工作流
- 多个 AI 智能体分工协作（文字、图片、排版）
- LangGraph 是项目负责人安排工作流程
协作示例：内容生产流水线
- 文字智能体：负责撰写正文内容
- 图片智能体：负责生成配图和插图
- 排版智能体：负责整体布局和格式调整
- LangGraph：协调三者工作顺序和数据传递
来自 2026-05-30-ai-rag-production-100-yuan：
- 天涯轩在100元RAG实验中用LangGraph构建十节点状态机管道，实现生产级查询处理闭环
- 查询路由分类：classify节点输出查询类型，事实类/比较类走decompose子问题再retrieve，通用类走rewrite（可选HyDE生成假设文档）再retrieve
- 检索后统一流程：retrieve → rerank（重排序提升相关性）→ compress（压缩上下文）→ generate → evaluate（质量评估）
- 自纠正循环：evaluate结果为fail且未超重试次数则回退rewrite重新检索，pass/ambiguous则format后END
- 关键约束：节点名不得与RAGState字段同名（如grade节点需改名为evaluate），否则LangGraph编译失败
- LangGraph在RAG场景的价值：单轮”检索+生成”在复杂问题上容易漏召回或幻觉；分类、HyDE、Rerank、自纠正与置信度评估构成可调优的闭环，而非一次性黑盒
来自 2026-07-25-woshipm-loop-graphai：
- 把 LangGraph 类图框架放进更宽的 Graph 工程 叙事：Graph 不是「工作流引擎换皮」，而是把 Agent 的判断、权限、反馈与失败恢复结构化；Loop Engineering 是图里的基础单元
- 学习路径刻意劝退「一上来追最复杂框架」：先用高频任务的输入/输出/验收表把任务结构写清，再选 LangGraph 等实现——框架是形式，任务结构理解才值钱
- 与 RAG 十节点状态机相互印证：节点 I/O、失败回退、条件边正是 Graph 工程五步（拆节点→依赖→I/O 与失败条件→权限/审批→模板与回退）的代码化
实用信息
官方资源
- 官网：https://www.langchain.com/langgraph
- 文档：LangGraph 官方文档
适用场景
- 复杂多步骤 AI 工作流
- 多智能体协作系统
- 需要状态管理的应用
- 企业级 AI 项目
与其他框架对比
| 维度 | Spring AI | LangChain4j | LangGraph |
|---|---|---|---|
| 定位 | 大模型对接 | 智能体开发 | 工作流编排 |
| 复杂度 | 低 | 中 | 高 |
| 适用 | 简单集成 | 单体 Agent | 多 Agent 协作 |