LangGraph 入门，层级介绍LangGraph

一、LangGraph有哪些特点

做 AI 开发时，你是否遇到过这些问题？

• 用 LangChain 写的流程是 “线性的”，一步错全错，没法根据中间结果动态调整；
• 多智能体协作时，数据没法在不同模块间共享，对话上下文经常 “断档”；
• 想做循环任务（比如多轮工具调用），代码嵌套得像 “千层饼”，维护成本极高。

LangGraph 的出现正好解决这些问题 —— 它用有向循环图（DCG） 替代传统线性 / 树状结构，把 AI 任务抽象成 “节点（计算单元）+ 边（流向逻辑）+ 状态（数据容器）” 的组合，让复杂流程的搭建变得灵活、可复用。

二、LangGraph核心三要素

LangGraph 的核心架构如图 2-1 所示，三个要素缺一不可：

1、节点（Node）：工作流的 “最小执行单元”你可以把节点理解成 “AI 任务的小模块”，常见类型有 4 种：

• 大语言模型调用节点：对接 GPT、DeepSeek 等模型，负责文本生成；
• 工具调用节点：调用搜索、数据库查询等外部工具，扩展 AI 能力；
• 自定义函数节点：封装 Python 函数，比如数据清洗、规则判断；
• 子图节点：把一组节点打包成 “子模块”，适合复杂系统的模块化拆分。

2、边（Edge）：节点间的 “交通指挥官”边定义了节点的执行顺序，关键类型有 2 种：

• 普通边：线性连接，比如 “节点 A 执行完→节点 B 执行”，适合简单流程；
• 条件边：按规则动态跳转，比如 “如果结果包含‘需要搜索’→工具节点，否则→输出节点”，这是实现 “决策型 AI” 的核心。

3、状态（State）：节点间的 “共享黑板”状态是 LangGraph 的 “灵魂”，它像一个全局容器，能做 4 件事：

• 存上下文：记录对话历史、任务进度，避免 “失忆”；
• 传数据：节点 A 的输出写入状态，节点 B 从状态读输入，实现协同；
• 持久化：把状态存到内存 / 数据库，支持任务中断后恢复；
• 多智能体共享：多个 AI 模块共用一套状态，不用重复传数据。

三、LangGraph和LangChain相比的优缺点

我通过AI总结了一张图，方便理解：

对比维度	LangChain	LangGraph
流程结构	线性顺序执行	非线性，支持循环、条件判断
状态管理	基础上下文管理	全局状态容器，支持持久化
核心适用场景	简单问答、单智能体聊天	多步骤推理、多智能体协作
学习门槛	低	中等（需理解基础图论）

简单说：做 “基础任务”（比如文档问答）用 LangChain 足够；做 “复杂任务”（比如多智能体协作写报告、多轮工具调用），LangGraph 是更优解。

四、LangGraph的环境如何搭建

环境搭建十分简单方便对于pycharm用户直接使用pip命令下载即可：

pip install -U langgraph  # 核心库
# 如果需要对接大模型，再装对应的集成库，比如：
pip install -U langchain-deepseek  # DeepSeek模型集成
pip install -U langchain-openai   # OpenAI模型集成