跳到主内容
快讯直播
AI智模界
AI 词典

LangGraph:给 AI 智能体画一张能记住进度的流程图

一句话定义:LangGraph 是一个用「图」(graph)来编排大模型应用的框架:节点(node)是一个个执行步骤,边(edge)决定下一步走到哪里,一份贯穿全程的状态(state)在节点之间传递。因此,流程可以有分支、可以有循环、可以中途停下来等人确认,还能从断点继续运行。

它是怎么运转的

单轮的「提示词 → 回答」太简单了,真实业务往往是一串步骤:先查订单,再判断是否需要退款;需要就创建工单,不需要就直接回复;如果调用失败,还得重试。用普通代码写这套流程不难,难的是让大模型参与其中的判断,同时又能看清它每一步做了什么、错了能改、断了能续。

打个比方:去政务大厅办事,窗口会给你一张流转单。每到一个窗口,工作人员在单子上盖章、填字段,再告诉你下一步去几号窗口。这张单子就是 state,窗口是节点,「材料齐全去 3 号、缺材料回 1 号」这种判断就是条件边(conditional edge)。单子始终在流程里流转,所以哪怕中午窗口休息(中断),下午回来接着办,不用从头再讲一遍。

LangGraph 里对应的机制叫检查点(checkpointer):每一步执行完后把状态存一份。于是你可以暂停流程等人审批(human-in-the-loop),可以失败后从上一个检查点重试,也可以回放整条轨迹来调试。

和相邻概念的区别

形态控制流状态能否中断恢复
链式调用(chain)一条直线 A→B→C简单传递基本不能
自主 Agent 循环(如 AI 词典:ReAct">ReAct)模型自己决定下一步通常在上下文里难,且容易绕圈
传统工作流引擎多为有向无环图(DAG)有有,但少有「让模型做判断」的节点
LangGraph显式画出的图,允许成环独立的状态对象有检查点,可暂停可续跑

关键差别在「成环」:AI 流程经常需要「不满意就再来一轮」,而很多工作流引擎的 DAG 结构天生不允许回头。

对从业者和普通人的意义

从业者的收益是:把原本像黑盒一样的智能体变成一张能画在白板上的流程图。产品经理看得懂,测试能照着写用例,线上出问题能定位到具体节点,而不是只能反复改提示词来碰运气。代价是前期要多写一些结构代码,在很简单的线性场景里用它反而累赘,可能会过度设计。

对普通人来说:你用的 AI 客服能在关键步骤转人工、断线重连还不丢上下文,背后往往就是这类「有状态、可中断」的编排在支撑。它不负责让模型变聪明,只负责把流程管住。具体 API 与能力边界,以官方文档为准。

AI 生成本文由 AI 基于公开信息自动生成,仅供参考。