返回 AI 工具目录
LangGraph
开发框架人工精选最近核验 2026年7月23日
LangChain 团队推出的低层智能体编排框架与运行时,面向长时运行、有状态的 Agent。核心是把确定性步骤与 LLM 驱动步骤放进同一张图,提供持久化执行(故障后从断点恢复)、短期/长期记忆、人工介入(运行中检查与修改状态)与流式输出。MIT 许可,提供 Python 与 JavaScript(LangGraph.js)两套库,可独立使用,也常与 LangChain 组件、LangSmith 的可观测/评估/部署能力配合。定位是把智能体从原型推到可长期运维的生产运行时,而非高层一站式搭建工具。
定价开源部署本地运行、自托管、混合部署、SaaS 云服务国内可达国内可达性待核验许可MIT
解决什么问题
- 解决有状态、多步、可能长时间运行的智能体在生产环境里的编排与可靠性问题
- 常见 Agent 框架把控制流藏在高层抽象里,难以调试、难以在失败后恢复、也难以插入人工审批;LangGraph 把流程显式建成图:节点是步骤(可为确定性函数或 LLM 调用),边表达跳转与分支循环
- 内置检查点与持久化,进程崩溃或长任务中断后可从断点续跑;支持短期工作记忆与跨会话长期记忆
- human-in-the-loop 允许在任意节点暂停,让人检查、修改状态再继续,适合审批、纠错等场景;并支持流式返回中间过程
- 配合 LangSmith 可做执行链路的追踪与评估
适合
- 适合已经过了 Demo 阶段、需要把 Agent 工作流做扎实的工程团队
- 流程分支多、要长期运行或异步执行、需要故障恢复、需要在关键节点加人工确认或审计的场景
- 例如多步业务自动化、需要回滚与可观测的智能体后端
- 团队若已在用 LangChain 生态,或需要 Python 与前端 JS 两侧共用一套编排逻辑,契合度更高
- 愿意以代码方式精确控制状态与控制流、而不是接受高层封装的团队会更受益
不适合
- 如果只是要快速跑通单轮问答或简单 RAG,引入图式编排属于过度设计,直接用轻量 SDK 或托管平台更省事
- 团队若希望零代码、拖拽式搭建,LangGraph 是面向开发者的代码框架,不匹配,这类需求更适合 Dify、Coze 等平台
- 它本身不含模型、向量库或界面,需要自行拼装周边组件
- 若团队缺少工程投入意愿或运维能力,自建成本会偏高
- 它是编排层而非完整应用,不能替代对检索质量、提示与评估体系的投入
如何接入
- 以库的形式接入:Python 用 pip install langgraph,前端/Node 用 LangGraph.js,把编排逻辑写进自己的服务,可自建部署在任意环境
- 模型通过 LangChain 的集成层接入 OpenAI、Gemini 等,也可替换为国内模型服务
- 可观测、评估与托管部署由 LangSmith 提供:云托管(美国/欧盟区)、混合(控制面 SaaS 加数据面自建)与完全自建 VPC 三种形态
- 按坐席与 trace 用量计费并含免费档;框架本体开源免费,这些托管能力单独计费、非必需
已知限制
- 作为低层框架,它要求团队自行设计图结构、状态模型与周边组件,学习曲线与工程投入高于高层平台
- 抽象偏底层,简单场景会显得笨重
- 生态与文档近期在 LangChain/LangSmith 品牌下调整(文档已迁至 docs.langchain.com),部分部署能力与命名随之变动,选型时需核对当前版本
- 国内可达性:pip 库可安装自建,但默认对接的 OpenAI/Gemini 等模型服务与 LangSmith 托管均在海外,存在数据出域、延迟与合规问题
- 生产使用建议改接国内合规模型,托管观测能力按自身数据要求评估
接入与使用事实
- 部署方式
- 本地运行、自托管、混合部署、SaaS 云服务
- 实现语言
- en
- 中文界面
- 无
- 中文文档
- 无
- 定价方式
- 开源
- 许可证
- MIT
- 国内可达性
- 国内可达性待核验
- 可达性观察
- 待补充
权限、依赖与维护信号
这些字段记录公开可见信号，不等同于安全审计结论。
权限信号
暂无公开信号。
依赖信号
暂无公开信号。
维护信号
暂无公开信号。
公开来源与证据
- 代码仓库仅作事实索引