LangGraph 是用于构建具有状态、多参与者应用程序的大语言模型库，支持循环流程、细粒度控制和内置持久性。本文介绍了安装方法、核心概念如状态图与节点，并通过搜索工具示例展示了如何使用 StateGraph 定义条件边与工具调用，结合 MemorySaver 实现对话上下文记忆及错误恢复机制。
LangGraph 是一个用于构建具有状态、多参与者应用程序的大语言模型（LLM）库，专门用于创建智能体（Agent）和多智能体的工作流程。与其他 LLM 框架相比，它提供以下核心优势：
LangGraph 的公共接口借鉴了 LangChain 的设计。它由 LangChain Inc. 创建，但它可以独立于 LangChain 使用。
首先，确保你的 Python 环境已配置好。通过 pip 安装 LangGraph：
pip install -U langgraph
如果你需要使用特定的大模型提供商（如 Anthropic），还需要安装相应的适配器：
pip install langchain-anthropic
export ANTHROPIC_API_KEY=sk-...
可选地，我们可以设置 LangSmith 以获得最佳的可观测性：
export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY=lsv2_sk_...
LangGraph 的核心概念之一是状态（State）。每次图执行都会创建一个状态对象，该状态在图中各节点执行时在它们之间传递，并且每个节点在执行后会用其返回值更新该内部状态。图更新其内部状态的方式由所选择的图类型或自定义函数定义。
节点是图中的基本计算单元。它们接收当前状态作为输入，执行特定逻辑（例如调用 LLM、运行工具、处理数据），并返回更新后的状态片段。
边定义了节点之间的连接关系。LangGraph 支持两种类型的边：
为了支持持久性和会话记忆，LangGraph 使用检查点器来保存状态快照。MemorySaver 是最常用的内存检查点器，适用于开发和测试场景。在生产环境中，可以使用数据库后端（如 PostgreSQL）来实现更持久的存储。
下面是一个完整的示例，展示如何构建一个具备工具调用能力的智能体。这个智能体可以根据用户的问题调用搜索工具，并根据搜索结果回答问题。
from typing import Annotated, Literal, TypedDict
from langchain_core.messages import HumanMessage
from langchain_anthropic import ChatAnthropic
from langchain_core.tools import tool
from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import END, StateGraph, MessagesState
from langgraph.prebuilt import ToolNode
# 为智能体定义工具
@tool
def search(query: str):
"""调用以浏览网络。"""
# 这是一个占位符，实际应用中应替换为真实的搜索 API
if "sf" in query.lower() or "san francisco" in query.lower():
return "现在是 60 度，有雾。"
return "现在是 90 度，晴天。"
tools = [search]
tool_node = ToolNode(tools)
model = ChatAnthropic(model="claude-3-5-sonnet-20240620", temperature=0).bind_tools(tools)
# 定义决定是否继续的函数
def should_continue(state: MessagesState) -> Literal["tools", END]:
messages = state['messages']
last_message = messages[-1]
# 如果 LLM 进行工具调用，那么我们将路径设置为 "tools" 节点
if last_message.tool_calls:
return "tools"
# 否则，我们停止（回复用户）
return END
# 定义调用模型的函数
def call_model(state: MessagesState):
messages = state['messages']
response = model.invoke(messages)
# 我们返回一个列表，因为这将被添加到现有列表中
return {"messages": [response]}
# 定义一个新图
workflow = StateGraph(MessagesState)
# 定义我们将循环的两个节点
workflow.add_node("agent", call_model)
workflow.add_node("tools", tool_node)
# 将入口点设置为 `agent`
# 这意味着这个节点是首先被调用的
workflow.set_entry_point("agent")
# 我们现在添加一个条件边
workflow.add_conditional_edges(
# 首先，我们定义起始节点。我们使用 `agent`。
# 这意味着这些边是在调用 `agent` 节点后执行的。
"agent",
# 接下来，我们传入决定下一个被调用节点的函数。
should_continue,
)
# 我们现在从 `tools` 到 `agent` 添加一条普通边。
# 这意味着在 `tools` 被调用后，`agent` 节点会接着被调用。
workflow.add_edge("tools", 'agent')
# 初始化内存以在图运行之间保存状态
checkpointer = MemorySaver()
# 最后，我们编译它！
# 这将其编译为一个 LangChain 可运行体，
# 这意味着你可以像使用其他可运行体一样使用它。
# 请注意，我们在编译图时（可选地）传递了内存
app = workflow.compile(checkpointer=checkpointer)
# 使用可运行体
final_state = app.invoke(
{"messages": [HumanMessage(content="sf 的天气如何")]},
config={"configurable": {"thread_id": 42}}
)
print(final_state["messages"][-1].content)
@tool 装饰器定义了一个简单的 search 函数。在实际场景中，这里可以对接真实的搜索引擎 API。MessagesState 作为默认状态类型，它维护了一个消息列表。每个节点返回的消息会被追加到这个列表中。should_continue 函数检查最后一条消息是否包含工具调用。如果有，流程进入 tools 节点；如果没有，流程结束（END）。add_edge("tools", 'agent')，工具执行完毕后会自动回到 agent 节点，让 LLM 根据工具结果生成最终回答。这就形成了一个循环。MemorySaver() 和 thread_id，我们可以保留对话历史。即使程序重启，只要 thread_id 相同，上下文依然存在。现在当我们传递相同的 thread_id 时，会通过保存的状态（即存储的消息列表）保留对话上下文：
final_state = app.invoke(
{"messages": [HumanMessage(content="那纽约呢")]},
config={"configurable": {"thread_id": 42}}
)
print(final_state["messages"][-1].content)
这将输出关于纽约天气的回答，并且 LLM 能够理解这是在旧金山之后的后续问题。
LangGraph 的持久性不仅限于保存消息历史。它允许你在图执行过程中的任何一点暂停。这对于'人类在环'场景非常有用。
你可以通过配置检查点器来启用暂停。当图执行到达某个检查点时，它会等待外部信号（例如用户确认）才能继续。这在需要人工审核敏感操作（如发送电子邮件、转账）的场景中至关重要。
由于状态被持久化，如果图执行失败，你可以从失败的节点之前的状态恢复，而不是从头开始。这大大提高了系统的鲁棒性。
LangGraph 为构建复杂的 LLM 应用提供了强大的图状控制能力。通过引入循环、状态管理和持久化机制，它解决了传统链式调用无法处理的复杂交互问题。无论是构建简单的问答机器人，还是复杂的多智能体协作系统，LangGraph 都是一个值得深入研究的工具。
在实际开发中，建议结合 LangChain 生态中的其他组件（如向量数据库、提示词模板等）一起使用，以发挥最大效能。同时，注意在生产环境中选择合适的数据后端来替代 MemorySaver，以确保数据的长期安全性和一致性。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online