AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月17日
构建有状态、可持久运行 AI Agent 的底层编排框架。
LangGraph 是一个用于构建、管理和部署长时间运行、有状态 Agent 的低层编排框架。它把 Agent 工作流表示为图结构,提供持久执行、人工介入、记忆等基础设施,可独立使用,也能与 LangChain 生态集成。
推荐指数
适合需要精细控制 Agent 状态与流程的开发者,学习曲线较陡但能力扎实。
近 7 天
+312
新增 Star
总 Star 排名
#122
雷达追踪的 3,931 个 AI 仓库中
创建于
2023
2023年8月10日
核心亮点
1持久执行
Agent 运行中断后可从中断点自动恢复,适合长时间任务。
2人工介入
可在执行过程中检查并修改 Agent 状态,加入人工审核环节。
3完整记忆
同时支持短期工作记忆和跨会话的长期持久记忆。
4图结构编排
用节点和边描述工作流,支持分支、子图等复杂控制流。
5生态集成
可与 LangChain、LangSmith 等产品配合,用于调试和部署。
适用场景
多步骤 Agent 工作流
例如:构建一个先检索资料、再分析、最后生成报告的 Agent,各步骤用图节点连接。
需要人工审核的流程
例如:客服 Agent 在回复敏感问题前暂停,等待人工确认后再继续。
长时间运行的任务
例如:定时监控数据并持续更新的 Agent,进程重启后能从上次状态恢复。
它是怎么工作的
第 1 步
定义状态
用 Python 类型定义 Agent 在运行中需要维护的状态结构。
第 2 步
构建图
将处理步骤写成节点,用边连接成有向图,可加入条件分支。
第 3 步
编译运行
编译图后调用执行,框架负责状态传递和持久化。
第 4 步
中断与恢复
在需要人工介入或出错时暂停,之后从保存的状态继续执行。
快速上手
- 1
安装
通过 pip 安装 LangGraph 包。
pip install -U langgraph - 2
参考快速入门
阅读官方 Quickstart 文档,了解如何定义状态和图。
- 3
运行示例
从简单图开始,逐步加入持久化和人工介入功能。
适合谁
- 需要精细控制 Agent 状态和流程的开发者
- 构建长时间运行、需容错恢复的 Agent 应用
- 希望将人工审核环节嵌入自动化流程的团队
不太适合
- 想快速搭建简单 Agent 的初学者
- 不需要状态管理和持久化的轻量场景
成熟度
- 活跃度最近更新于 2026 年 11 月,star 数超过 4.5 万,活跃度高。
- 文档有完整的官方文档、API 参考、快速入门和免费课程。
- 社区有论坛和讨论区,issue 数约 484,社区规模较大。
- 上手难度作为低层框架,需要理解图、状态等概念,上手门槛中等偏高。
同类项目怎么选
- CrewAI更偏向多 Agent 角色协作的高层框架,抽象程度更高。
- AutoGen微软出品,侧重多 Agent 对话与协作,编排方式不同。
- LangChain提供更广泛的 LLM 应用组件和集成,LangGraph 专注底层状态编排。
使用前注意
- · 采用 MIT 许可,可商用。
- · 低层框架需要自行设计状态和流程,不适合追求开箱即用的场景。
- · 部分高级功能(如 LangSmith 调试和部署)依赖商业产品。
- · Python 版本需参考官方文档确认兼容性。
