支持私有化部署
AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


一文了解LangGraph是什么?——构建智能体的新一代框架

发布日期:2025-05-14 11:47:25 浏览次数: 1519 作者:AI小新
推荐语

LangGraph,AI代理开发的新一代框架,重新定义智能体构建方式。

核心内容:
1. LangGraph框架概述及其在LangChain生态中的核心定位
2. LangGraph核心能力:循环与分支、持久化状态管理、人类在环等
3. 技术原理揭秘:状态管理、节点与边、持久化引擎等

杨芳贤
53A创始人/腾讯云(TVP)最具价值专家
Agent、NLP、知识图谱、信息抽取等相关的学习,分享一些教程心得与大家一起学习共勉。" data-id="Mzg3NDEyMzY0MA==" data-is_biz_ban="0" data-service_type="1" data-verify_status="0">


一、LangGraph:重新定义AI代理开发

LangGraph 是由LangChain团队开发的开源框架,专为构建状态化、多代理(Multi-Agent)系统而设计。它通过图结构(Graph)实现复杂的动态工作流,尤其擅长与大型语言模型(LLMs)结合,支持循环、持久性、人工干预等核心功能,被视为AI代理开发的“终结者”。

核心定位

  • LangChain生态的重要成员:与LangChain无缝集成,但也可独立使用。
  • 突破传统DAG限制:传统框架依赖有向无环图(DAG),而LangGraph支持循环图,更贴近真实业务场景的迭代需求。
  • 企业级生产工具:提供持久化、错误恢复、人工审核等特性,已被Uber、Klarna等企业用于客服自动化、代码测试生成等场景。

二、LangGraph的核心能力

  1. 循环与分支
  • 支持条件逻辑和循环流程,例如代理可反复优化查询结果直至满意,适用于RAG增强检索等场景。
  • 持久化状态管理
    • 每一步自动保存状态,支持断点续传、时间回溯,甚至人工干预修改中间结果。
  • 人类在环(Human-in-the-Loop)
    • 允许人工暂停流程、审核决策,例如医疗诊断中专家介入审核AI建议。
  • 流式处理与实时监控
    • 实时输出LLM生成的Token流,并可视化工具调用、数据检索等中间步骤。
  • 多代理协作
    • 支持构建分工明确的代理团队,如“规划代理”制定计划、“执行代理”调用工具,协同完成任务。

    三、技术原理揭秘

    LangGraph的底层设计融合了状态机图计算模型

    • 状态管理:每个节点执行后更新全局状态,状态可以是消息列表或自定义数据结构。
    • 节点与边
      • 节点:代表执行步骤,可以是LLM调用、工具函数或自定义逻辑。
      • :定义节点间的流转规则,支持条件判断(如根据LLM输出选择分支)。
    • 持久化引擎:内置MemorySaver等模块,支持将状态保存至内存或数据库,确保长周期任务不丢失上下文。

    示例代码(构建天气查询代理):

    from langgraph.graph import StateGraph, MessagesState
    from langgraph.prebuilt import ToolNode

    # 定义搜索工具
    @tool
    def search(query: str):
        if"sf"in query: return"60度,有雾"
        return"90度,晴天"

    workflow = StateGraph(MessagesState)
    workflow.add_node("agent", call_model)  # 调用LLM
    workflow.add_node("tools", ToolNode([search]))  # 调用工具
    workflow.add_conditional_edges("agent", should_continue)  # 条件分支

    四、应用场景与案例

    1. 客户服务自动化
    • 案例:Klarna用LangGraph构建客服系统,动态路由用户请求至专用代理,自动触发退款审批流程。
  • 代码测试生成
    • 案例:Uber利用代理分析代码变更,生成覆盖边界条件的测试用例,效率提升40%。
  • 个性化推荐系统
    • 代理根据用户行为动态调整推荐策略,结合长期记忆实现精准推送。
  • 多模态代理
    • 开发支持文本、图像输入的智能助手,例如网页导航代理结合视觉识别与指令执行。

    五、快速入门指南

    1. 安装
      pip install langgraph
    2. 核心概念
    • 检查点(Checkpointing):自动保存任务进度。
    • 子图(Subgraphs):封装可复用的业务流程模块。
  • 学习资源
    • 官方文档:https://github.com/langchain-ai/langgraph
    • 案例库:20+生产级参考实现(如GPT-Newspaper、CrewAI)。

    引用链接

    1. [LangGraph官方介绍] (https://ai-bot.cn/langgraph/)
    2. [阿里云开发者社区解析] (https://developer.aliyun.com/article/1647868)
    3. [LangGraph应用场景深度分析] (https://ai.zhiding.cn/2024/1015/3160638.shtml)
    4. [腾讯云开发者社区示例] (https://cloud.tencent.cn/developer/article/2443465)
    5. [高效码农技术解析] (https://www.xugj520.cn/archives/langgraph-ai-agent-framework-guide.html)

    关注[AI小新],获取更多 AI 技术实战指南! ?

    ps:作者创建了一个《大模型应用交流群》,有问题可以加群一起讨论下;添加小助手的微信,拉你进群;



    往期精彩:

    MCP+DeepSeek完整的工作流教程,手把手教大家搭建mcp!" data-itemshowtype="0" target="_blank" linktype="text" data-linktype="2">n8n+mcp+deepseek完整的工作流教程,手把手教大家搭建mcp!

    MCP + N8N = 自动化超能力?揭秘 N8N 是什么?低代码组合如何让效率翻倍!


    53AI,企业落地大模型首选服务商

    产品:场景落地咨询+大模型应用平台+行业解决方案

    承诺:免费场景POC验证,效果验证后签署服务协议。零风险落地应用大模型,已交付160+中大型企业

    联系我们

    售前咨询
    186 6662 7370
    预约演示
    185 8882 0121

    微信扫码

    添加专属顾问

    回到顶部

    加载中...

    扫码咨询