LangGraph：告别 if-else，用图结构编排复杂 AI 工作流

LangChain 大家都用过，但当你想做一个「多轮对话 + 工具调用 + 人工审核 + 循环修正」的复杂 Agent 时，LangChain 的链式调用就开始变得难以维护——回调函数嵌套、状态管理混乱、执行路径不透明。

LangGraph 正是为了解决这个问题而生：它用图（Graph） 的方式描述 AI Agent 的工作流，每个节点是一个处理步骤，每条边代表状态流转，循环和条件分支天然支持。

GitHub: https://github.com/langchain-ai/langgraph
Stars: 25K+（LangChain 生态核心项目）

一、LangGraph 的核心思想

LangGraph 的核心理念：把 Agent 工作流建模为图。

传统 LangChain 的问题：

链式调用，线性执行，无法优雅地处理循环
状态分散在各处，难以追踪
工具调用失败后的重试逻辑复杂

LangGraph 的解法：

StateGraph（状态图）
├── 节点（Node）：LLM 调用 / 工具执行 / 人工操作 / 条件判断
├── 边（Edge）：状态流转规则
│   ├── 普通边：无条件流转
│   └── 条件边：根据状态内容决定下一步
└── 循环（Cycle）：天然支持，无需特殊处理

二、核心概念

State（状态）

每个工作流维护一个共享状态（通常是 dict），每个节点接收当前状态、执行操作、返回更新的状态。所有状态变更都有记录，支持时间旅行（time travel）调试。

Node（节点）

节点是工作流中的处理单元，可以是：

tool_call：调用外部工具
llm_call：让大模型做决策
human_review：暂停等待人工输入
condition：条件判断节点

Edge（边）

边定义了状态的流转方向：

add_edge(from, to)：无条件从节点 A 流转到节点 B
add_conditional_edges(from, routing_fn)：根据状态内容动态路由

Checkpoint（检查点）

LangGraph 支持状态快照和恢复。复杂工作流中途出错？从头重跑太慢。Checkpoint 让工作流从任意检查点恢复，大幅提升调试效率。

三、与传统工作流引擎的区别

维度	LangGraph	DAG 工作流（如 Airflow）
循环支持	✅ 天然支持	❌ 有向无环图，不支持循环
LLM 原生	✅ 专为 LLM 设计	❌ 需要适配器
条件分支	✅ 动态路由	✅ 支持但不够灵活
状态持久化	✅ Checkpoint	✅ Airflow 本身有
适用场景	AI Agent 工作流	数据处理流水线

LangGraph 的核心差异化在于：它是专为 AI Agent 设计的，不是通用工作流引擎。

四、快速上手

from langgraph.graph import StateGraph, END
from typing import TypedDict

class AgentState(TypedDict):
    messages: list
    next_action: str

def should_continue(state):
    return "tool_call" if len(state["messages"]) < 5 else END

workflow = StateGraph(AgentState)
workflow.add_node("llm", llm_node)
workflow.add_node("tools", tool_node)
workflow.set_entry_point("llm")
workflow.add_conditional_edges("llm", should_continue)
workflow.add_edge("tools", "llm")

app = workflow.compile()
result = app.invoke({"messages": ["hello"]})