当前位置：首页 >专题 >LangGraph 状态化 Agent 工作流专题

LangGraph 状态化 Agen

LangGraph 状态化 Agent 工作流专题

从图式编排、持久化到人工介入与生产观测

当 Agent 从一次性问答进入长流程、多步骤工具调用和人工审批，真正的难点变成状态如何表达、节点如何重试、执行如何恢复以及结果如何追踪。LangGraph 面向底层 Agent 编排运行时，适合把这些边界显式建模。

官方入口与运行时资料

LangGraph 概览、快速开始、工作流、JS、仓库与观测入口

官方

LangGraph 官方概览

LangGraph 官方文档入口，介绍面向复杂 Agent 的图式编排与运行时能力。

官方

LangGraph 工作流与 Agent 模式

官方指南对比确定性工作流与动态 Agent，并给出工具调用和编排模式。

官方

LangGraph Python 文档

当前官方 Python 文档，覆盖安装、核心概念、持久化、流式和部署入口。

官方

LangGraph GitHub 仓库

官方开源仓库，包含源码、示例、版本和问题追踪。

官方

LangGraph.js 官方仓库

官方 JavaScript/TypeScript 实现与示例入口。

官方

LangSmith 官方文档

LangChain 生态的 tracing、评估和部署平台文档入口。

官方

LangGraph 官方 API 参考

LangGraph 官方 API 参考入口，便于核对图、检查点和运行时接口。

状态图与生产工程实践

从多 Agent 与图探索到恢复、观测、RAG 和人工交接

文章

LangGraph 状态机：管理生产中的复杂代理任务流

围绕 LangGraph 状态机组织复杂 Agent 任务流，理解图式节点和状态推进。

文章

用于构建生成式人工智能应用程序的开源框架

介绍生成式 AI 应用框架及其工具、链路和应用编排思路。

文章

吴恩达：多智能体协作是新关键，软件开发等任务将更高效

讨论多智能体协作在软件开发等任务中的分工与协同。

文章

利用 LangChain 的 NLP 功能进行 AI 驱动的图探索，使用 Langchain 进行问答

结合 LangChain、图探索和问答，展示图结构数据与 LLM 应用的组合方式。

文章

我们制作了一个 AI SWE，解决了 SWE 工作台上的问题，开源

以 AI 软件工程工作台为案例，观察复杂任务拆解、工具使用与执行闭环。

文章

AI Agent 交接跑偏怎么办：从意图检查到交接摘要一步步排查

从意图、边界、上下文摘要和结果复查治理多 Agent 交接偏差。

文章

AI Agent Tracing 实战：工具调用、护栏和人工确认怎么追踪

把模型、工具、护栏、人工确认和最终结果拆成 trace 与 span。

文章

AI 知识库检索不到答案排查：从分块到重排的 RAG 修复流程

从分块、元数据、混合召回和重排定位 RAG 检索偏离。

LangGraph 工程常见问题

运行时选型、状态持久化、人工介入与生产可靠性

LangGraph 和 LangChain 是什么关系？

LangChain 更偏向模型、工具和 Agent 的高层抽象，LangGraph 更偏向有状态、可持久化、可流式运行的图式编排运行时；两者可以组合，也可以单独使用。

什么时候应该使用状态图，而不是普通 Agent 循环？

当流程包含明确分支、循环、长时间运行、人工审批、失败恢复或多 Agent 交接时，显式状态图更容易测试、观测和恢复；简单问答不必引入图式运行时。

LangGraph 的 checkpoint 能替代业务数据库吗？

不能。checkpoint 负责保存图执行状态和恢复上下文，业务数据库仍负责任务、租户、权限、幂等、审计和业务结果；生产系统应明确两者的边界和一致性策略。

如何降低多 Agent 工作流的失控风险？

限制节点和工具权限，给状态转移设置条件与次数上限，对高风险动作加入人工确认，记录每个节点的输入输出和工具调用，并用固定样本做回归评估。