LangGraph 深受塑造 Agent 未来的公司信赖 —— 包括 Klarna、Uber、J.P. Morgan 等 —— 是一个用于构建、管理和部署长时间运行、有状态 Agent 的底层编排框架和运行时。 LangGraph 非常底层，完全专注于 Agent 编排。在使用 LangGraph 之前，我们建议您熟悉一些用于构建 Agent 的组件，从 模型 和 工具 开始。 我们会在文档中经常使用 LangChain 组件来集成模型和工具，但您不需要使用 LangChain 来使用 LangGraph。如果您是 Agent 的新手或想要更高级的抽象，我们建议您使用 LangChain 的 Agent，它为常见的 LLM 和工具调用循环提供预构建架构。 LangGraph 专注于 Agent 编排重要的底层能力：持久执行、流式传输、人工介入等。

​
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!"}]})
使用 LangSmith 跟踪请求、调试 Agent 行为和评估输出。设置 LANGSMITH_TRACING=true 和您的 API 密钥以开始。

​
核心优势

LangGraph 为任何长时间运行、有状态的工作流或 Agent 提供底层支持基础设施。LangGraph 不抽象化提示或架构，并提供以下核心优势：
  • 持久执行：构建能够持久应对故障的 Agent，可以长时间运行并从中断处恢复。
  • 人工介入：通过在任何时刻检查和修改 Agent 状态来纳入人工监督。
  • 全面记忆：创建有状态的 Agent，同时具备用于持续推理的短期工作记忆和跨会话的长期记忆。
  • 使用 LangSmith 调试：通过可视化工具深入了解复杂的 Agent 行为，这些工具跟踪执行路径、捕获状态转换并提供详细的运行时指标。
  • 生产就绪部署：使用可扩展的基础设施自信地部署复杂的 Agent 系统，该基础设施旨在处理有状态、长时间运行工作流的独特挑战。

​
LangGraph 生态系统

虽然 LangGraph 可以独立使用，但它也与任何 LangChain 产品无缝集成，为开发者提供构建 Agent 的完整工具套件。要改进您的 LLM 应用程序开发，请将 LangGraph 与以下产品搭配使用：
/images/brand/observability-icon-dark.png

LangSmith 可观测性

在一个地方跟踪请求、评估输出并监控部署。在本地使用 LangGraph 进行原型设计，然后通过集成的可观测性和评估进入生产，以构建更可靠的 Agent 系统。
/images/brand/deployment-icon-dark.png

LangSmith 部署

使用专为长时间运行、有状态工作流构建的部署平台轻松部署和扩展 Agent。发现、复用、配置和跨团队共享 Agent —— 并在 Studio 中通过可视化原型设计快速迭代。
/images/brand/langchain-icon.png

LangChain

提供集成和可组合组件以简化 LLM 应用程序开发。包含在 LangGraph 之上构建的 Agent 抽象。

​
致谢

LangGraph 的灵感来自 Pregel 和 Apache Beam。公共接口借鉴了 NetworkX。LangGraph 由 LangChain 的创建者 LangChain Inc 构建，但可以在不使用 LangChain 的情况下使用。
在 GitHub 上编辑此页面 或提交问题。
通过 MCP 将这些文档连接到 Claude、VSCode 等，获取实时答案。