 认识 LangGraph 框架，Agent Server 智能体基础概念与核心能力)
目录一、LangGraph 介绍LangGraph 是什么认识智能服务 (Agent Server)agent 和 agent server 的区别?Agent Server 例子构建 Agent Server 时遇到的四大难题解决方案LangGraph -- Agent Server 的 “操作系统”二、LangGraph 的三大超能力记忆能力流程指挥能力容错能力三、LangGraph 在现实中的应用四、LangGraph 生态系统五、LangChain 和 LangGraph 对比一、LangGraph 介绍LangGraph 是什么认识智能服务 (Agent Server)我们在 LangChain 的专栏中已经学习过了 LangChain我们已经知道 AI 世界是如何初步搭建的。实际我们已经用过ChatGPT 原生模型对话式 AI一问一答DeepSeek 客户端类似的对话助手一些 AI 工具比如 AI 画画、AI 写文章等在 LangChain 篇章中我们接入 LLM 构建的 AI 系统有以下特点单次对话“记不住” 太多上下文主要是问答模式相对简单的任务什么是 Agent Server 它是更聪明的 AI 助手想象一个虚拟的 “小助手”它不仅能回答问题还能记住和你聊过的所有事情执行一连串任务比如查天气→推荐穿搭→提醒带伞中途可以等你给出反馈运行很长时间不会 “忘记”agent 和 agent server 的区别?Agent 是 AI 智能体本体Agent Server 是跑它的后台服务载体。Agent 就是那个具备思考、调用工具、规划多步任务逻辑的 AI 智能体是一套业务逻辑。用 LangGraph 写出来的流程图、状态流转、工具调用、记忆判断这些全部属于 Agent 本身。它定义了遇到问题该怎么思考、下一步调用什么工具、怎么保存对话状态相当于 “小助手的大脑和行为逻辑”。脱离运行环境它只是一套代码逻辑。Agent Server 是专门用来托管运行 Agent 的后台服务程序。它给 Agent 提供运行环境负责持久化保存 Agent 的会话状态、记忆、任务进度接收外部发来的请求驱动 Agent 逻辑一步步执行还支持任务中途暂停等待人类反馈之后再继续跑。相当于给这个 “小助手大脑” 搭了一个常驻后台运行的服务器容器。做个通俗类比 : Agent 好比写好的机器人程序规定机器人看见什么要做什么事。Agent Server 就是机器人的主机服务器一直通电开机维持机器人程序运行保存机器人的记忆和任务进度接收外界指令还可以中途停下来等人类下达新指令。落实到代码层面我们后面写 LangGraph 代码定义节点、边、状态产出的就是 Agent。把这个 Agent 封装部署成对外可访问的后台服务能够持久存储会话、支持人机中断交互这个部署出来的服务实例就是 Agent Server。没有 Agent Server 的时候Agent 只能单次运行每次请求结束状态就丢掉很难做到长时间会话、中途等待用户反馈。部署到 Agent Server 之后Agent 的状态可以持久落库任务可以跨轮次继续执行支持人机交互断点。Agent Server 例子分镜 1我说 “帮我规划周末旅行”Agent Server 界面显示回应。分镜 2Agent Server 第一步 “查天气”屏幕显示天气预报界面。分镜 3Agent Server 第二步 “找景点”屏幕展示景点列表和图片。分镜 4Agent Server 第三步 “订酒店”屏幕显示酒店预订页面。分镜 5Agent Server 第四步 “规划路线”屏幕呈现地图路线图。分镜 6Agent Server 第五步 “打包建议”屏幕列出物品清单。构建 Agent Server 时遇到的四大难题思考一下 如果我们要造一个能连续工作 24 小时的 AI 客服上述哪个问题最头疼解决方案LangGraph -- Agent Server 的 “操作系统”LangGraph 是一个强大且灵活的 “Agent Server 操作系统内核”。它不关心我们具体用什么模型或提示词而是为我们解决构建复杂、可靠、可交互的 Agent Server 时所面临的状态管理、流程编排、持久化和人工监督等底层工程难题。如果我们需要构建超越简单问答的、具备复杂逻辑和长期记忆的 AI 应用LangGraph 就是为此设计的工具。如果把 Agent Server 比作一个公司那么AI 模型 员工干活的人工具 办公设备电脑、电话LangGraph 项目经理 流程系统简单来说LangGraph 是一个专门用于构建和管理 Agent Server 的底层框架。二、LangGraph 的三大超能力记忆能力伪代码:传统 AI 每一次调用模型上下文不会自动保存模型没有持久记忆当提问 “我叫什么” 时获取不到之前对话里的名字信息。而 LangGraph Agent Server 部分框架自带状态存储对话信息会保存在状态中多次交互之间不会丢失信息可以读取历史对话内容给出正确回复。无论过了多久会话了多少次LangGraph 都可以记住流程指挥能力把复杂任务分解成小步骤流程图节点顺序开始 → 理解需求 → 执行步骤 1 → 检查结果 → 执行步骤 2 → 等待反馈 → 继续执行 → 结束容错能力LangGraph 还提供了以下关键基础设施保障 Agent Server 的执行过程持久执行构建能从故障中恢复、长时间运行的 Agent Server。人工介入允许在流程中随时检查和修改 Agent Server 状态。强大的调试能力与 LangSmith 集成提供可视化追踪和深度洞察。生产就绪的部署为有状态、长时工作流提供可扩展的部署方案。三、LangGraph 在现实中的应用LangGraph 为生产级代理提供支持受到 LinkedIn、Uber、Klarna、GitLab 等公司的信赖。除了表格中的概述各公司的智能体产品在设计和应用上各有侧重Klarna 是瑞典的一家金融公司他的 AI 助手是将 LangGraph 应用于生产级业务的典范。它已经处理了超过 250 万次对话自动化了约 70% 的重复性客服任务将平均问题解决时间缩短了 80%。该助手是一个多智能体系统能自主路由请求、处理不同任务如支付、退款等并显著提升了服务效率。GitLab 的 AI 产品线非常丰富其 CodeRider 产品特别值得关注。它基于 LangGraph 构建不仅提供代码补全、解释等基础功能更能胜任复杂任务的全流程智能开发例如自动分解任务、跨文件编辑代码、执行终端指令等。而 GitLab Duo 则是一个更广泛的 AI 功能套件包含代码建议、漏洞解释、合并请求摘要等数十种功能旨在扮演虚拟开发团队的角色。思考一下我们可以构建什么个人学习助手记住你的学习进度智能客服处理复杂咨询数据分析助手多步骤分析游戏 NPC有记忆的虚拟角色四、LangGraph 生态系统LangGraph 属于 LangChain 大家族专门用来写会思考、会循环、会分步干活的 AI 智能体。整套生态可以拆成核心代码库、配套工具、存储部件、现成模板、观测调试这几块。核心库就是 langgraph这是最基础的东西。我们在这里定义节点、跳转逻辑、全局状态。节点可以是调用大模型、调用工具、做计算。状态就像一个共享记事本所有节点都能读、能改里面的数据。它允许循环做完一步可以跳回前面重新思考这是普通链式组件做不到的。同时支持人介入跑到一半可以停下等我们输入信息。但要记住只单纯用这个库本地跑数据全在内存里程序一关所有进度全部消失。然后是检查点组件 Checkpointer。可以理解成游戏存档。每跑完一个节点它就把当前完整状态存一份快照。出错可以回退到之前任意存档点重跑调试的时候非常方便。本地测试可以用 SQLite正式环境一般接 PostgreSQL 数据库。它只管存档不对外提供网络接口。langgraph‑prebuilt 是现成的工具箱。很多通用智能体模式官方已经写好了不用从零画流程图。比如 ReAct 思考调用工具的智能体、主管分配任务的多智能体模板直接导入就能用只需要改少量参数适配自己业务。记忆相关组件 Memory。全局 State 存的是本次任务临时数据Memory 负责抽出来长期记忆比如记住用户的偏好、历史习惯。记忆独立出来不会把所有东西都堆在流程图状态里面。调试工具 LangSmith相当于智能体的日志后台。每一次大模型调用、工具调用、节点输入输出全部记录下来。能看清智能体每一步到底在想什么哪里出错消耗多少 token还可以拿历史会话复现 bug做效果评估。LangGraph Studio 是本地可视化工具。加载你的代码之后图形展示流程图你可以单步执行手动修改状态内容观察每一步会走向哪个分支不用疯狂打印日志排查问题。LangGraph Cloud 是官方托管平台。你上传自己写好的 LangGraph 代码云端帮你跑起来自动处理存档、数据库不用自己搭服务器直接拿接口调用。作为 LangChain 产品家族的一部分。可以与 LangSmith用于追踪、评估、监控、LangGraph 部署平台用于轻松部署和扩展 Agent Server以及 LangChain提供大量集成和组件结合使用形成完整的开发、调试、部署工作流。五、LangChain 和 LangGraph 对比那为什么 LangChain 没有像 LangGraph 这么多功能LangChain 不是做不到而是底层设计目标一开始就不一样LangChain 的定位是流水线LangGraph 定位是流程图引擎二者底层模型不一样。LangChain 最早出来的时候目标是快速拼简单 AI 应用比如 RAG 文档问答、文本摘要。它的核心是 Chain流水线模式数据只能单向往前流。好比工厂传送带零件从开头送进去一步一步经过各个工位一直走到末尾就结束传送带不能倒回去不能分叉绕圈。框架本身不支持流程跳回前面。它没有一个全局共享的 “状态黑板”。Chain 每一步之间只传递上一步的输出中间产生的零散信息没有统一地方存放。对话历史、工具返回结果、临时业务数据全部要自己手动传来传去很容易丢数据、上下文错乱。原生不支持中途停下来等人。流水线一旦启动就要一口气跑完整个链路。想要中途暂停等待人输入确认再接着跑剩下逻辑LangChain 没有原生机制全部要自己写额外逻辑控制。而且进程一旦结束所有内存里的中间进度直接清空没有存档能力。那为什么官方不直接把这些功能塞到 LangChain 里面第一架构改动会彻底推翻旧 Chain 整套逻辑。传送带模型天生就不适合循环回跳、全局状态、断点存档。硬塞进去旧 API 全部破坏老项目全部不能用兼容性直接报废。第二会增加普通场景的负担。很多场景就只是简单 RAG、单轮问答不需要循环、存档、断点。如果全部内置状态、快照这些能力简单任务也会带上额外开销学习难度也会变高。官方选择拆成两个库简单任务继续用 LangChain 组件复杂 Agent 编排单独交给 LangGraph 做。而 LangGraph 相当于换了一套底层模型它是一张图有节点、有边还有一块所有人都能读写的全局状态黑板。可以设置条件边跑完工具发现信息不足直接跳回思考节点再来一轮框架原生支持循环。Checkpointer 原生提供存档快照任务跑一半可以原生 interrupt 暂停等用户输入之后从存档点继续执行不需要我们手写大量胶水代码。也要分清LangGraph 不是凭空造新东西它大量复用 LangChain 的组件提示词模板、各种大模型封装、工具封装、检索器这些 LangChain 组件都可以直接拿到 LangGraph 节点里面用。二者是互补不是互相替代。 LangGraph-AI智能体开发框架(1) 认识 LangGraph 框架，Agent Server 智能体基础概念与核心能力
目录一、LangGraph 介绍LangGraph 是什么认识智能服务 (Agent Server)agent 和 agent server 的区别?Agent Server 例子构建 Agent Server 时遇到的四大难题解决方案LangGraph -- Agent Server 的 “操作系统”二、LangGraph 的三大超能力记忆能力流程指挥能力容错能力三、LangGraph 在现实中的应用四、LangGraph 生态系统五、LangChain 和 LangGraph 对比一、LangGraph 介绍LangGraph 是什么认识智能服务 (Agent Server)我们在 LangChain 的专栏中已经学习过了 LangChain我们已经知道 AI 世界是如何初步搭建的。实际我们已经用过ChatGPT 原生模型对话式 AI一问一答DeepSeek 客户端类似的对话助手一些 AI 工具比如 AI 画画、AI 写文章等在 LangChain 篇章中我们接入 LLM 构建的 AI 系统有以下特点单次对话“记不住” 太多上下文主要是问答模式相对简单的任务什么是 Agent Server 它是更聪明的 AI 助手想象一个虚拟的 “小助手”它不仅能回答问题还能记住和你聊过的所有事情执行一连串任务比如查天气→推荐穿搭→提醒带伞中途可以等你给出反馈运行很长时间不会 “忘记”agent 和 agent server 的区别?Agent 是 AI 智能体本体Agent Server 是跑它的后台服务载体。Agent 就是那个具备思考、调用工具、规划多步任务逻辑的 AI 智能体是一套业务逻辑。用 LangGraph 写出来的流程图、状态流转、工具调用、记忆判断这些全部属于 Agent 本身。它定义了遇到问题该怎么思考、下一步调用什么工具、怎么保存对话状态相当于 “小助手的大脑和行为逻辑”。脱离运行环境它只是一套代码逻辑。Agent Server 是专门用来托管运行 Agent 的后台服务程序。它给 Agent 提供运行环境负责持久化保存 Agent 的会话状态、记忆、任务进度接收外部发来的请求驱动 Agent 逻辑一步步执行还支持任务中途暂停等待人类反馈之后再继续跑。相当于给这个 “小助手大脑” 搭了一个常驻后台运行的服务器容器。做个通俗类比 : Agent 好比写好的机器人程序规定机器人看见什么要做什么事。Agent Server 就是机器人的主机服务器一直通电开机维持机器人程序运行保存机器人的记忆和任务进度接收外界指令还可以中途停下来等人类下达新指令。落实到代码层面我们后面写 LangGraph 代码定义节点、边、状态产出的就是 Agent。把这个 Agent 封装部署成对外可访问的后台服务能够持久存储会话、支持人机中断交互这个部署出来的服务实例就是 Agent Server。没有 Agent Server 的时候Agent 只能单次运行每次请求结束状态就丢掉很难做到长时间会话、中途等待用户反馈。部署到 Agent Server 之后Agent 的状态可以持久落库任务可以跨轮次继续执行支持人机交互断点。Agent Server 例子分镜 1我说 “帮我规划周末旅行”Agent Server 界面显示回应。分镜 2Agent Server 第一步 “查天气”屏幕显示天气预报界面。分镜 3Agent Server 第二步 “找景点”屏幕展示景点列表和图片。分镜 4Agent Server 第三步 “订酒店”屏幕显示酒店预订页面。分镜 5Agent Server 第四步 “规划路线”屏幕呈现地图路线图。分镜 6Agent Server 第五步 “打包建议”屏幕列出物品清单。构建 Agent Server 时遇到的四大难题思考一下 如果我们要造一个能连续工作 24 小时的 AI 客服上述哪个问题最头疼解决方案LangGraph -- Agent Server 的 “操作系统”LangGraph 是一个强大且灵活的 “Agent Server 操作系统内核”。它不关心我们具体用什么模型或提示词而是为我们解决构建复杂、可靠、可交互的 Agent Server 时所面临的状态管理、流程编排、持久化和人工监督等底层工程难题。如果我们需要构建超越简单问答的、具备复杂逻辑和长期记忆的 AI 应用LangGraph 就是为此设计的工具。如果把 Agent Server 比作一个公司那么AI 模型 员工干活的人工具 办公设备电脑、电话LangGraph 项目经理 流程系统简单来说LangGraph 是一个专门用于构建和管理 Agent Server 的底层框架。二、LangGraph 的三大超能力记忆能力伪代码:传统 AI 每一次调用模型上下文不会自动保存模型没有持久记忆当提问 “我叫什么” 时获取不到之前对话里的名字信息。而 LangGraph Agent Server 部分框架自带状态存储对话信息会保存在状态中多次交互之间不会丢失信息可以读取历史对话内容给出正确回复。无论过了多久会话了多少次LangGraph 都可以记住流程指挥能力把复杂任务分解成小步骤流程图节点顺序开始 → 理解需求 → 执行步骤 1 → 检查结果 → 执行步骤 2 → 等待反馈 → 继续执行 → 结束容错能力LangGraph 还提供了以下关键基础设施保障 Agent Server 的执行过程持久执行构建能从故障中恢复、长时间运行的 Agent Server。人工介入允许在流程中随时检查和修改 Agent Server 状态。强大的调试能力与 LangSmith 集成提供可视化追踪和深度洞察。生产就绪的部署为有状态、长时工作流提供可扩展的部署方案。三、LangGraph 在现实中的应用LangGraph 为生产级代理提供支持受到 LinkedIn、Uber、Klarna、GitLab 等公司的信赖。除了表格中的概述各公司的智能体产品在设计和应用上各有侧重Klarna 是瑞典的一家金融公司他的 AI 助手是将 LangGraph 应用于生产级业务的典范。它已经处理了超过 250 万次对话自动化了约 70% 的重复性客服任务将平均问题解决时间缩短了 80%。该助手是一个多智能体系统能自主路由请求、处理不同任务如支付、退款等并显著提升了服务效率。GitLab 的 AI 产品线非常丰富其 CodeRider 产品特别值得关注。它基于 LangGraph 构建不仅提供代码补全、解释等基础功能更能胜任复杂任务的全流程智能开发例如自动分解任务、跨文件编辑代码、执行终端指令等。而 GitLab Duo 则是一个更广泛的 AI 功能套件包含代码建议、漏洞解释、合并请求摘要等数十种功能旨在扮演虚拟开发团队的角色。思考一下我们可以构建什么个人学习助手记住你的学习进度智能客服处理复杂咨询数据分析助手多步骤分析游戏 NPC有记忆的虚拟角色四、LangGraph 生态系统LangGraph 属于 LangChain 大家族专门用来写会思考、会循环、会分步干活的 AI 智能体。整套生态可以拆成核心代码库、配套工具、存储部件、现成模板、观测调试这几块。核心库就是 langgraph这是最基础的东西。我们在这里定义节点、跳转逻辑、全局状态。节点可以是调用大模型、调用工具、做计算。状态就像一个共享记事本所有节点都能读、能改里面的数据。它允许循环做完一步可以跳回前面重新思考这是普通链式组件做不到的。同时支持人介入跑到一半可以停下等我们输入信息。但要记住只单纯用这个库本地跑数据全在内存里程序一关所有进度全部消失。然后是检查点组件 Checkpointer。可以理解成游戏存档。每跑完一个节点它就把当前完整状态存一份快照。出错可以回退到之前任意存档点重跑调试的时候非常方便。本地测试可以用 SQLite正式环境一般接 PostgreSQL 数据库。它只管存档不对外提供网络接口。langgraph‑prebuilt 是现成的工具箱。很多通用智能体模式官方已经写好了不用从零画流程图。比如 ReAct 思考调用工具的智能体、主管分配任务的多智能体模板直接导入就能用只需要改少量参数适配自己业务。记忆相关组件 Memory。全局 State 存的是本次任务临时数据Memory 负责抽出来长期记忆比如记住用户的偏好、历史习惯。记忆独立出来不会把所有东西都堆在流程图状态里面。调试工具 LangSmith相当于智能体的日志后台。每一次大模型调用、工具调用、节点输入输出全部记录下来。能看清智能体每一步到底在想什么哪里出错消耗多少 token还可以拿历史会话复现 bug做效果评估。LangGraph Studio 是本地可视化工具。加载你的代码之后图形展示流程图你可以单步执行手动修改状态内容观察每一步会走向哪个分支不用疯狂打印日志排查问题。LangGraph Cloud 是官方托管平台。你上传自己写好的 LangGraph 代码云端帮你跑起来自动处理存档、数据库不用自己搭服务器直接拿接口调用。作为 LangChain 产品家族的一部分。可以与 LangSmith用于追踪、评估、监控、LangGraph 部署平台用于轻松部署和扩展 Agent Server以及 LangChain提供大量集成和组件结合使用形成完整的开发、调试、部署工作流。五、LangChain 和 LangGraph 对比那为什么 LangChain 没有像 LangGraph 这么多功能LangChain 不是做不到而是底层设计目标一开始就不一样LangChain 的定位是流水线LangGraph 定位是流程图引擎二者底层模型不一样。LangChain 最早出来的时候目标是快速拼简单 AI 应用比如 RAG 文档问答、文本摘要。它的核心是 Chain流水线模式数据只能单向往前流。好比工厂传送带零件从开头送进去一步一步经过各个工位一直走到末尾就结束传送带不能倒回去不能分叉绕圈。框架本身不支持流程跳回前面。它没有一个全局共享的 “状态黑板”。Chain 每一步之间只传递上一步的输出中间产生的零散信息没有统一地方存放。对话历史、工具返回结果、临时业务数据全部要自己手动传来传去很容易丢数据、上下文错乱。原生不支持中途停下来等人。流水线一旦启动就要一口气跑完整个链路。想要中途暂停等待人输入确认再接着跑剩下逻辑LangChain 没有原生机制全部要自己写额外逻辑控制。而且进程一旦结束所有内存里的中间进度直接清空没有存档能力。那为什么官方不直接把这些功能塞到 LangChain 里面第一架构改动会彻底推翻旧 Chain 整套逻辑。传送带模型天生就不适合循环回跳、全局状态、断点存档。硬塞进去旧 API 全部破坏老项目全部不能用兼容性直接报废。第二会增加普通场景的负担。很多场景就只是简单 RAG、单轮问答不需要循环、存档、断点。如果全部内置状态、快照这些能力简单任务也会带上额外开销学习难度也会变高。官方选择拆成两个库简单任务继续用 LangChain 组件复杂 Agent 编排单独交给 LangGraph 做。而 LangGraph 相当于换了一套底层模型它是一张图有节点、有边还有一块所有人都能读写的全局状态黑板。可以设置条件边跑完工具发现信息不足直接跳回思考节点再来一轮框架原生支持循环。Checkpointer 原生提供存档快照任务跑一半可以原生 interrupt 暂停等用户输入之后从存档点继续执行不需要我们手写大量胶水代码。也要分清LangGraph 不是凭空造新东西它大量复用 LangChain 的组件提示词模板、各种大模型封装、工具封装、检索器这些 LangChain 组件都可以直接拿到 LangGraph 节点里面用。二者是互补不是互相替代。