LangGraph — 构建循环多智能体工作流

LangGraph 是一个用于构建、管理和部署长期运行、有状态智能体的底层编排框架，已获得 Klarna、Replit、Elastic 等致力于塑造智能体未来的公司的信任。

快速开始

安装 LangGraph：

pip install -U langgraph

创建一个简单的工作流：

from langgraph.graph import START, StateGraph
from typing_extensions import TypedDict


class State(TypedDict):
    text: str


def node_a(state: State) -> dict:
    return {"text": state["text"] + "a"}


def node_b(state: State) -> dict:
    return {"text": state["text"] + "b"}


graph = StateGraph(State)
graph.add_node("node_a", node_a)
graph.add_node("node_b", node_b)
graph.add_edge(START, "node_a")
graph.add_edge("node_a", "node_b")

print(graph.compile().invoke({"text": ""}))
# {'text': 'ab'}

请从 LangGraph 快速入门 开始。

若要使用 LangChain 的 create_agent（基于 LangGraph 构建）快速构建智能体，请参阅 LangChain 智能体文档。

[!TIP]
关于 AI 智能体和 LLM 应用程序的开发、调试和部署，请参阅 LangSmith。

核心优势

LangGraph 为任何长期运行、有状态的工作流或智能体提供底层支持基础设施。它不抽象提示词或架构，并提供以下核心优势：

• 持久化执行：构建能够从故障中恢复并长期运行的智能体，自动从上次中断处精确恢复执行。
• 人在回路：在执行过程中的任意时刻无缝集成人工监督，检查和修改智能体状态。
• 完整内存系统：创建真正有状态的智能体，既具备用于持续推理的短期工作记忆，也拥有跨会话的长期持久化记忆。
• 使用 LangSmith 调试：通过可视化工具深入了解复杂智能体行为，追踪执行路径，捕获状态转换，并提供详细的运行时指标。
• 生产就绪的部署：借助为处理有状态、长期运行工作流独特挑战而设计的可扩展基础设施，自信地部署复杂的智能体系统。

LangGraph 生态系统

虽然 LangGraph 可以独立使用，但它也能与任何 LangChain 产品无缝集成，为开发者提供构建智能体的全套工具。要改进你的 LLM 应用开发，可将 LangGraph 与以下工具结合使用：

• LangSmith — 有助于智能体评估和可观测性。调试性能不佳的 LLM 应用运行、评估智能体轨迹、在生产环境中获得可见性，并随时间推移提升性能。
• LangSmith Deployment — 使用专为长期运行、有状态工作流构建的部署平台，轻松部署和扩展智能体。在团队间发现、复用、配置和共享智能体 — 并通过 LangGraph Studio 中的可视化原型设计快速迭代。
• LangChain – 提供集成和可组合组件，以简化 LLM 应用程序开发。

[!NOTE]
寻找 LangGraph 的 JS 版本？请参阅 JS 仓库 和 JS 文档。

更多资源

• 指南：针对流式处理、添加内存与持久化、设计模式（如分支、子图等）等主题，提供快速、可操作的代码片段。
• 参考文档：关于核心类、方法、如何使用图和检查点 API 以及更高级别的预构建组件的详细参考。
• 示例：关于如何开始使用 LangGraph 的引导式示例。
• LangChain 论坛：与社区联系，分享所有技术问题、想法和反馈。
• LangChain 学院：在我们的免费结构化课程中学习 LangGraph 基础知识。
• 案例研究：了解行业领导者如何使用 LangGraph 大规模交付 AI 应用程序。

致谢

LangGraph 的灵感来源于 Pregel 和 Apache Beam。其公共接口设计借鉴了 NetworkX。LangGraph 由 LangChain Inc（LangChain 的创建者）构建，但可以独立于 LangChain 使用。