LangGraph详解：专注推理流程，让AI Agent“会思考、能落地”

米落枫 · 发表于 9 小时前

作者：CSDN博客
在AI智能体（Agent）技术快速迭代的今天，单一的“检索+生成”模式已难以满足企业级复杂任务的落地需求——当智能体需要处理多步骤推理、多工具串联调用、动态决策等场景时，“思考流程混乱、行动不可控、调试难度大”等问题便会凸显。而LangGraph作为LangChain团队推出的专用推理框架，以状态机为核心，聚焦复杂AI Agent推理流程的编排，让智能体的思考和行动更有序、更可控，成为工业级智能体落地的“核心引擎”。
本文将从核心定位、技术原理、核心功能、实操示例、优缺点及适用场景六大维度，全方位拆解LangGraph，帮你彻底掌握这一框架的核心逻辑，无论是学习、开发还是面试，都能直接复用知识点。
一、核心定位

LangGraph的核心定位是：基于状态机（State Machine），构建可控制、可调试、可循环的复杂AI Agent推理流程。
与LlamaIndex（专注检索增强）、AutoGen（专注多智能体协作）不同，LangGraph的核心价值的是“优化单个智能体的推理过程”——它不负责数据检索（可无缝对接LlamaIndex），也不负责多智能体分工（可对接AutoGen），而是专注于让智能体“学会有序思考、高效行动”。
简单来说，LangGraph通过“节点（Node）+ 边（Edge）”的状态机结构，将智能体的“思考、行动、观察”等步骤进行结构化编排，支持循环执行、分支判断和状态管理，让智能体能处理多步骤、高复杂度的任务，真正实现从“简单响应”到“复杂推理”的跨越，满足工业级落地的需求。
二、核心技术原理

LangGraph的核心技术围绕“状态机驱动的推理流程”展开，核心逻辑是：将智能体的推理过程拆解为“思考、行动、观察”等独立步骤（抽象为节点），再定义步骤之间的流转规则（抽象为边），通过状态层存储推理过程中的所有信息，实现步骤的循环执行、分支判断，最终构建出可控、可追溯的复杂推理流程。
其底层架构分为“状态层、节点层、边层、执行层”四层，每层各司其职、协同工作，具体拆解如下：
2.1 状态层（State Layer）—— 智能体的“记忆中枢”

状态层是LangGraph的核心，相当于智能体的“大脑记忆”，负责存储推理过程中的所有信息，确保流程的连贯性和可追溯性，解决了传统智能体“健忘、上下文断裂”的痛点。

核心概念：State（状态）

状态更新机制

2.2 节点层（Node Layer）—— 智能体的“思考和行动单元”

节点是LangGraph中最基础的执行单元，每个节点对应智能体的一个“思考或行动步骤”，相当于智能体的“一个个具体动作”。节点分为“普通节点”和“条件节点”两种类型，可灵活组合实现复杂推理逻辑。

普通节点（Action Node）

条件节点（Conditional Node）

2.3 边层（Edge Layer）—— 智能体的“流程流转规则”

边是节点之间的“流转关系”，定义了“一个节点执行完成后，下一步该执行哪个节点”，相当于智能体的“行动路线图”。边分为“固定边”和“条件边”两种，适配不同的流转场景。

固定边

条件边

2.4 执行层（Execution Layer）—— 智能体的“流程驱动引擎”

执行层是LangGraph的“动力核心”，负责驱动整个推理流程的运行，确保节点按边的流转规则有序执行，直到满足终止条件（done=True），输出最终结果。

核心特性1：循环执行

核心特性2：可视化调试

核心特性3：多流程编排

三、核心功能总结

LangGraph的功能围绕“复杂推理流程编排”展开，覆盖推理、调试、扩展等全场景，核心功能可总结为8点，兼顾实用性和扩展性：

状态机驱动

节点与边灵活定义

支持核心推理框架

循环执行与分支判断

可视化调试

工具调用集成

生态兼容性好

工业级稳定

四、实操示例

本次示例基于LangGraph，实现一个“ReAct推理框架的天气查询智能体”，功能：接收用户天气查询需求→思考需调用的工具→调用天气工具→处理结果→生成回答，全程实现循环执行和状态管理，可直接复制运行。
4.1 前提准备

安装依赖包，配置OpenAI API Key（可替换为开源大模型，如Qwen、Llama）：

pip install langgraph langchain langchain-openai python-dotenv

复制代码

4.2 完整代码

from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import tool
from dotenv import load_dotenv
import os
import json
# 1. 加载环境变量，配置大模型
load_dotenv()
llm = ChatOpenAI(
model="gpt-3.5-turbo",
temperature=0.1,
api_key=os.getenv("OPENAI_API_KEY") # 替换为你的API Key
)
# 2. 定义工具（天气查询工具，模拟真实API调用）
@tool
def get_weather(city: str, date: str) -> str:
"""
功能：查询指定城市指定日期的天气情况
参数：
city: 城市名称（如“北京”“上海”）
date: 日期（格式：YYYY-MM-DD，如“2025-03-15”）
返回：天气描述字符串
"""
# 模拟天气数据，实际开发可对接真实天气API
weather_data = {
"北京-2025-03-15": "晴，-5℃~5℃，微风，空气质量良",
"上海-2025-03-15": "阴转小雨，8℃~12℃，东风3级，空气质量优"
}
key = f"{city}-{date}"
return weather_data.get(key, f"未查询到{city}{date}的天气信息")
# 3. 定义状态（智能体的记忆，包含所有推理过程中的信息）
class AgentState:
input: str # 用户原始问题
thought: str # 思考过程
action: dict # 工具调用指令（JSON格式）
observation: str # 工具调用结果
done: bool = False # 是否完成任务
# 4. 定义节点（思考、行动、观察、回答、条件节点）
# 4.1 思考节点：分析当前状态，决定下一步行动
def thought_node(state: AgentState) -> AgentState:
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个天气查询智能体，基于当前状态，思考下一步该做什么：\n"
"1. 如果已经获取到天气信息（observation有内容），则设置done=True，准备生成回答；\n"
"2. 如果没有获取到天气信息，需要调用get_weather工具，明确传入city和date参数；\n"
"3. 思考过程要清晰，明确说明下一步行动。"),
("user", "用户问题：{input}\n当前观察结果：{observation}")
])
chain = prompt | llm
response = chain.invoke({"input": state.input, "observation": state.observation})
return AgentState(
input=state.input,
thought=response.content,
action=state.action,
observation=state.observation,
done=state.done
)
# 4.2 行动节点：生成工具调用指令并执行
def action_node(state: AgentState) -> AgentState:
prompt = ChatPromptTemplate.from_messages([
("system", "基于当前思考过程，生成get_weather工具的调用指令，格式为JSON：\n"
'{"name": "get_weather", "parameters": {"city": "城市名", "date": "日期"}}'),
("user", "思考过程：{thought}\n用户问题：{input}")
])
chain = prompt | llm
response = chain.invoke({"thought": state.thought, "input": state.input})
# 解析工具调用指令（实际开发可增加异常处理）
action = json.loads(response.content.strip())
return AgentState(
input=state.input,
thought=state.thought,
action=action,
observation=state.observation,
done=state.done
)
# 4.3 观察节点：处理工具调用结果，更新状态
def observation_node(state: AgentState) -> AgentState:
action = state.action
if action["name"] == "get_weather":
# 执行工具调用
observation = get_weather(** action["parameters"])
return AgentState(
input=state.input,
thought=state.thought,
action=state.action,
observation=observation,
done=state.done
)
else:
return AgentState(
input=state.input,
thought=state.thought,
action=state.action,
observation="工具调用失败，未找到对应工具",
done=state.done
)
# 4.4 回答节点：生成最终自然语言回答
def answer_node(state: AgentState) -> AgentState:
prompt = ChatPromptTemplate.from_messages([
("system", "基于用户问题和工具调用结果，生成自然、清晰的回答，不要添加额外信息。"),
("user", "用户问题：{input}\n工具调用结果：{observation}")
])
chain = prompt | llm
response = chain.invoke({"input": state.input, "observation": state.observation})
# 将回答存入thought字段（简化处理，实际可自定义字段）
return AgentState(
input=state.input,
thought=response.content,
action=state.action,
observation=state.observation,
done=True
)
# 4.5 条件节点：判断任务是否完成，决定跳转方向
def conditional_node(state: AgentState) -> str:
if state.done:
return "answer" # 任务完成，跳转至回答节点
else:
return "action" # 任务未完成，跳转至行动节点
# 5. 构建LangGraph（状态机）
graph = StateGraph(AgentState)
# 添加节点
graph.add_node("thought", thought_node) # 思考节点
graph.add_node("action", action_node) # 行动节点
graph.add_node("observation", observation_node)# 观察节点
graph.add_node("answer", answer_node) # 回答节点
# 添加边（流转规则）
graph.add_edge("thought", conditional_node) # 思考节点后进入条件判断
graph.add_edge("action", "observation") # 行动节点后进入观察节点
graph.add_edge("observation", "thought") # 观察节点后回到思考节点，形成循环
graph.add_edge("answer", END) # 回答节点后，流程终止
# 设置起始节点，编译图
graph.set_entry_point("thought")
app = graph.compile()
# 6. 运行智能体，测试效果
user_question = "查询上海2025年03月15日的天气"
initial_state = AgentState(
input=user_question,
thought="",
action={},
observation="",
done=False
)
# 执行推理流程，获取结果
result = app.invoke(initial_state)
# 输出结果
print("用户问题：", result.input)
print("思考过程：", result.thought)
print("工具调用指令：", result.action)
print("工具调用结果：", result.observation)
print("最终回答：", result.thought)

复制代码

4.3 运行结果说明

五、优点与缺点

LangGraph的优势和局限都非常明确，精准匹配不同场景的需求，以下总结可直接用于面试或技术选型：
5.1 优点（核心优势）

复杂推理流程编排能力强

可控可调试

状态管理完善

生态兼容性好

可扩展性强

工业级稳定

5.2 缺点（核心局限）

检索能力弱

开发门槛较高

不支持多智能体协作

轻量级场景适配差

六、适用场景

LangGraph的核心价值是“复杂推理流程编排”，适合需要多步骤推理、高可控性、工业级落地的场景，具体可分为6类：

复杂智能体开发

工业级智能体落地

推理流程定制化

多工具串联调用

作为推理引擎嵌入复杂系统

高要求智能体调试

七、总结

LangGraph作为专注于推理流程编排的框架，填补了“复杂智能体可控性不足”的空白——它不追求“大而全”，而是聚焦“专而精”，通过状态机驱动的节点-边结构，让智能体的思考和行动更有序、更可控，成为工业级智能体落地的核心引擎。
在实际开发中，LangGraph很少单独使用，更多是与LlamaIndex（负责检索）、AutoGen（负责多智能体协作）组合，形成“检索+推理+协作”的完整智能体系统，适配更复杂的企业级需求。
如果你的需求是“快速落地简单智能体”，优先选择LlamaIndex；如果是“实现多智能体协作”，优先选择AutoGen；如果是“开发复杂、可控的工业级智能体”，LangGraph绝对是核心选择。

原文地址：https://blog.csdn.net/qq_29579625/article/details/159078702

25位大厂高管转战生成式AI创业！吸金猛，不

LangGraph详解：专注推理流程，让AI Agent“会思考、能落地”

OpenClaw接入Chrome浏览器流程学习

关于我们

产品与服务

解决方案

产品与服务