- 综合排序
- 最热优先
- 最新优先
- 来自专栏xiaosen
LangGraph基础教程
你可能需要智能体： 总是先调用特定工具 根据其状态使用不同的提示 具备更精确的控制能力 解决方案：LangGraph 为了解决这个问题，构建了 LangGraph —— 一个用于构建智能体和多智能体应用的框架 Studio 文件夹：包含可加载到 LangGraph Studio 的图形文件 LangGraph Studio 是专门用于构建 LangGraph 应用的集成开发环境（IDE）。 _LangGraph_ 提供了对应用程序流程和状态的细粒度控制，这对于创建可靠的智能体至关重要，并且 _LangGraph_ 还内置了包括持久化对话，支持高级的人机交互和记忆功能。 _LangGraph_ 1、链(Chain)的局限性 2、AgentExecutor的局限性 3、_LangGraph_ 解决的问题 四、_LangGraph_ 核心思想 1、核心概念 (1)state 状态 (2)node 节点 (3)edge 边 2、流程说明\n\n一步步教你 _LangGraph_ Studio _:_ 可视化调试基于 _LangGraph_ 构建的AI智能...
1.4K11编辑于 2025-07-24 - 来自专栏架构驿站
LangGraph，知多少？
— 01 —何为 LangGraph ？ — 02 — 为什么需要 LangGraph ？ 作为一款强大的开源框架，LangGraph 能够显著改进许多现有的解决方案，为复杂的多代理系统提供了灵活、高效的支持。 以下是使用 LangGraph 的几个关键原因，具体可参考： 1、改进 RAG 管道 LangGraph 可以通过其独特的循环图结构增强 RAG（Retrieval-Augmented 5、构建多模态代理 LangGraph 还可以用于构建多模态代理，如支持视觉输入的网络导航器。通过整合不同类型的数据和输入方式，LangGraph 可以创建更智能、更全面的代理系统。 无论是在研发前沿的人工智能系统还是在实际应用中，LangGraph 都展示了其独特的优势和潜力。 — 03 — LangGraph 到底能够做什么 ？
1.6K10编辑于 2024-11-01 - 来自专栏架构精进之路
LangGraph Agent 架构设计
主流 Agent 架构可分为以下类别： 反应式架构 审慎式架构 混合式架构 神经符号式架构 认知式架构 — 2 — LangGraph Agent 设计模式 Agent 架构与设计模式紧密相关，但属于 解决特定问题的高层可复用策略/模板，不聚焦内部细节而指导跨场景行为交互（类似"配方"） 关注"what"与"why"——你希望该智能体展现出什么样的行为或能力，以及为什么该智能体在特定场景下是有效的 LangGraph 自主生成策略，无需任务标注 任务自适应：类人式规划最优解 可迁移性：策略可跨语言模型复用 — 6 — 结语 本文系统探讨了智能体架构的演进——从传统反应式、审慎式模型到混合式、神经符号式及认知式架构，并通过LangGraph
67420编辑于 2025-05-09 - 来自专栏AIGC大模型应用
AI Agent 终结者 LangGraph！
⚡ 构建作为图的语言智能体 ⚡1 概述LangGraph是一个用于构建具有状态、多参与者应用程序的大语言模型（LLM）的库，用于创建智能体和多智能体的工作流程。 此外，LangGraph 包含内置的持久性功能，支持高级的“人类在环”（human-in-the-loop）和记忆功能。LangGraph 的灵感来源于 Pregel 和 Apache Beam。 可以与 LangChain 和 LangSmith 无缝集成（但不要求使用它们）2 安装pip install -U langgraph3 示例LangGraph 的核心概念之一是状态。 import MemorySaverfrom langgraph.graph import END, StateGraph, MessagesStatefrom langgraph.prebuilt 参考：https://langchain-ai.github.io/langgraph/#installation
1.6K00编辑于 2024-08-10 LangGraph，Anything-LLM，OpenDevin，AutoGPT，LangChain，
LangGraph，Anything-LLM，OpenDevin，AutoGPT，LangChain， 这几个都是能把各种模型 都下载下来的一个工具？ 功能定位是否支持本地模型是否带记忆机制LangChain❌ 不下载模型Prompt编排、Memory机制、Agent流程控制✅✅LangGraph❌ 不下载模型LangChain 的扩展，用于构建复杂
24700编辑于 2025-07-16- 来自专栏JavaEdge
使用LangGraph构建多Agent系统架构！
在LangGraph中，工作流可以以两种方式定义： 显式控制流（普通边）：LangGraph允许你通过普通图边显式定义应用程序的控制流（即Agent通信的顺序）。 动态控制流（条件边）：在LangGraph中，你可以允许LLM决定应用程序控制流的部分。这可以通过使用条件边实现。一个特殊情况是监督者工具调用架构。 from langchain_openai import ChatOpenAI from langgraph.graph import StateGraph, MessagesState, START 在LangGraph中有两种方法可以实现这一点： 定义具有单独状态模式的子图Agent。如果子图和父图之间没有共享状态键（通道），则需要添加输入/输出转换，以便父图知道如何与子图通信。 此外，LangGraph允许在运行时传递状态给单个工具，以便从属Agent在需要时可以访问父状态。 关注我，紧跟本系列专栏文章，咱们下篇再续！
1.3K20编辑于 2025-06-01 基于LangGraph搭建自己的rebattle小组
DraftReply] final_rebuttal: str token_budget: int # rebuttal 总 token 限制（例如 4000 字符）然后用 LangGraph = dict(state) new_state["final_rebuttal"] = rebuttal return cast(RebuttalState, new_state)五、用 LangGraph 串成“Rebuttal 流水线”最后，用 LangGraph 把这四个节点连起来：# graph/build_rebuttal_graph.pyfrom langgraph.graph import
31410编辑于 2025-11-23- 来自专栏vue3源码
langgraph开发Deep Research智能体-项目搭建
引入langgraph 有的同学只听过langchain，没有听说过langgraph，他们两个有没有关系呢？ 当然有关系了，langgraph和langchain都是同一个团队开发的，他们都可以用于开发agent智能体。 使用langgraph开发agent智能体就像是使用vue来进行前端开发。 有，可以使用@langchain/langgraph-cli这个脚手架，可以帮我们创建、开发和部署 LangGraph.js 项目。 /langgraph.json", } 指定端口为2025，并且给脚手架指定配置文件为根目录的langgraph.json文件。
64510编辑于 2025-08-19 - 来自专栏JavaEdge
首款AI智能体IDE：LangGraph Studio
今天推出的 LangGraph Studio——首款专为Agent开发设计的IDE，现已开放测试版。 本文简要介绍 LangGraph，并探讨 LangGraph Studio 如何简化智能体应用程序的开发。 1 LangGraph: 平衡agent控制与自主性 2023年1月推出了 LangGraph，高度可控的低级编排框架，用于构建智能体应用程序。 我们并不打算取代代码编辑器，而是增强 LangGraph 应用程序开发体验的工具。 LangGraph Studio 通过使智能体图形的可视化和交互变容易，即使开发主要在代码中进行。 LangGraph Studio吧！
1.2K10编辑于 2025-06-01 LangGraph 记忆存储的三重境界
这个用LangGraph搭建的聊天机器人，前一秒我还跟它说"你好，我叫DA"，下一秒我问"你知道我叫什么吗"，它就装傻充愣："抱歉，我不知道您的名字。您可以告诉我吗？" 带着这个疑问，我连续啃了两天LangGraph的源码和文档，终于搞清楚了背后的逻辑——不是数据没存，而是记忆不会用。 这就像你把重要信息都写在了草稿纸上，但考试的时候却忘了看草稿。 LangGraph的State机制就像这张草稿纸，只在单次运行时有效，程序一重启或者新开一轮对话，所有记录就清零了。 问题的根源在于，State的设计是服务于单次执行的，而不是长期记忆。 记忆存储的三重境界 搞清楚问题所在后，我开始研究LangGraph提供的解决方案。 深入了解后才发现，记忆存储其实有三重境界，每一层都有其独特的作用和适用场景。 LangGraph提供的这套记忆存储方案，虽然还不够完美，但已经为我们指明了方向。 未来，随着大模型能力的提升和存储技术的发展，AI的记忆机制肯定会变得更加智能和高效。
11410编辑于 2026-02-02- 来自专栏菩提树下的杨过
LangGraph4j 学习系列(7)-流式响应
org.bsc.async.AsyncGenerator是实现流式的关键接口，Graph调用stream()方法后，会得到该接口的实例，该接口的主要类图如下： 与LangChain4j整合 从上面的类图可以看到，langgraph4j-langchain4j ) { System.out.print(streamingOut.chunk()); } } } } 文中源码：langgraph4j-study /src/main/java/org/bsc/langgraph4j/agent/_12_stream at main · yjmyzz/langgraph4j-study · GitHub
16110编辑于 2026-03-02 - 来自专栏云云众生s
使用LangGraph在Python 中开发Master AI代理
LangGraph 简化了开发高级 AI 应用程序的过程，使构建能够处理复杂交互的智能、上下文感知代理变得更加容易。 译自 Develop a Master AI Agent With LangGraph in Python，作者 Oladimeji Sowole。 LangGraph 是 LangChain 生态系统中的一个专门工具，旨在简化 AI 代理 的创建和管理。 LangGraph 的关键组件 状态： 状态代表代理的当前状态。它充当内存，存储代理在交互过程中做出决策和做出适当响应所需的上下文和信息。 节点： 节点是 LangGraph 中计算的基本单元。 使用 LangGraph 构建 AI 代理 LangGraph 通过提供一个清晰的结构来管理状态、节点和边，简化了开发高级 AI 应用程序的过程。
74810编辑于 2024-07-24 - 来自专栏架构精进之路
LangGraph：如何用“图思维”轻松管理多Agent协作？
LangGraph的核心原理：图结构如何模拟复杂任务流？ 2. 多 Agent 应用实战：如何实现异构Agent的协作与通信？ 3. 对比LangChain：何时该用LangGraph？ 1、LangGraph核心原理 LangGraph 的核心原理，简单说就是：用“图”来重构任务流。 1.1. 图例如下： 3、LangChain vs LangGraph 当LangChain 遇上 LangGraph，我们应该如何选择呢？ 如果是动态、多角色协作（如客服、数据分析流水线），LangGraph是更优解。 结语 LangGraph的图思维将复杂任务分解为可编排的节点，通过动态路由和共享状态实现高效协作。 如果你正面临多Agent的“spaghetti code”难题，不妨用LangGraph重构你的流程！
2.4K30编辑于 2025-04-08 - 来自专栏福大大架构师每日一题
langgraph 1.0.4 最新发布：功能优化与修复详解
2025年11月26日，langgraph 正式发布 1.0.4 版本，这是继 1.0.3 之后又一次重要的功能优化与问题修复版本。 功能与版本发布 • langgraph 1.0.4 正式发布 该版本延续了此前的功能特性，并在流处理、远程图配置等方面进行了微调与优化。 • langgraph-prebuilt 1.0.5 发布 针对预构建版本进行了更新，确保用户在无需手动构建的情况下也能获得最新功能与修复。 总结 代码地址：github.com/langchain-ai/langgraph 本次 langgraph 1.0.4 更新主要集中在： • 性能优化：对远程图配置、预构建依赖进行了清理。
29610编辑于 2025-12-19 - 来自专栏菩提树下的杨过
LangGraph4j 学习系列(4)-SCHEMA和Channel
运行结果 步骤1 : 3+6 = 9 步骤2 : 9*2 = 18 (num1 来自步骤1结果) 最终 result = 18 文中源码： https://github.com/yjmyzz/langgraph4j-study /tree/main/src/main/java/org/bsc/langgraph4j/agent/_10_schema_channel
9310编辑于 2026-03-02 - 来自专栏自然语言处理
如何用LangGraph打造Web Research多智能体系统
ref=blog.langchain.com 今天就来聊聊Exa的工程团队是怎么用LangGraph搭建这套生产级多智能体系统的。 当他们开始构建更复杂的深度研究架构时，重新评估了现有选项，最终选择了LangGraph。这其实验证了一个趋势——系统越复杂，LangGraph就越成为首选框架。 多智能体架构设计 Exa的研究智能体完全基于LangGraph构建，采用了一个精巧的多智能体模式： 三大核心组件 1. 规划者（Planner） 分析研究查询 动态生成多个并行任务 2. 经验总结 Exa的深度研究智能体案例展示了LangGraph在构建生产级复杂多智能体系统方面的能力。 通过LangGraph的协调能力和LangSmith的可观测性特性，Exa构建了一个高效可靠的系统，能处理真实客户查询并交付实际业务价值。
41600编辑于 2025-07-12 三个主流智能体框架（AutoGen、CrewAI、LangGraph）
三个主流智能体框架（AutoGen、CrewAI、LangGraph）的代码实现案例，基于最新文档和社区实践整理： AutoGen 案例：多智能体协作求解数学问题 from autogen import tasks=[research_task, write_task], verbose=2 ) # 执行 result = crew.kickoff() print(result) LangGraph 案例：循环审批工作流 from langgraph.graph import Graph from langchain_core.messages import HumanMessage # 定义节点 document": "项目计划书.pdf"}) 框架对比说明 AutoGen：适合需要精细控制对话流程的场景，支持自定义回复逻辑和工具调用 CrewAI：面向任务链设计，内置角色分工和任务传递机制 LangGraph
73610编辑于 2026-01-20- 来自专栏服务端技术杂谈
复刻一个java版的Langgraph落地Agent
为了实现这种节点编排，业界的最佳实践是Langgraph。 以上是我问豆包搜Langgraph的基本信息，我又简单看了下Langgraph的源码，虽然没有全看，但已经知道了它大概怎么做，以及怎么解决问题了。 借助AI Coding，基本上可以逆向出一个java版的Langgraph了。 有人问，为啥要复刻呢？不可以使用Langgraph或者Langgraph4j吗？ 原因二：Langgraph需要python，Langgraph4j需要springboot3.x+JDK21. 以下是我想到的一个Graph的架构图（不确定哪些是和Langgraph一致，哪些有区别），希望对Langgraph更熟悉的同学可以提出更好的解决方案。
4210编辑于 2026-03-11 - 来自专栏喔家ArchiSelf
采用LangGraph集成多个MCP服务器的应用
LangGraph 集成 LangGraph 已逐渐成为构建复杂人工智能工作流的首选框架，尤其适用于需要多步骤推理、状态管理以及多 Agent 协作的场景。 通过将模型上下文协议（MCP）与 LangGraph 深度集成，开发者能够构建起结构更复杂、分布更广泛的多服务系统，同时保持上下文在各组件之间的无缝流转与一致性。 import BaseLLM from langchain_core.messages import HumanMessage, AIMessage from langgraph.graph import END, StateGraph from langgraph.prebuilt import ToolNode # MCP Context Manager class MCPContextManager 它展示了如何将 MCP 与 LangGraph 集成，从而在多个 LLM（语言模型）服务之间协调任务，并保持统一的会话上下文状态。 3.
7K10编辑于 2025-07-24 - 来自专栏菩提树下的杨过
LangGraph4j 学习系列(5)-Hook勾子
接上节继续，用过Spring框架的同学都知道，Spring中的AOP，可以在无侵入的情况下，对原有的代码逻辑做增强（比如：在代码执行前后，自动记录日志、计算方法执行耗时等等） LangGraph4j中的 节点勾子NodeHook org.bsc.langgraph4j.StateGraph类中，有如下方法： public StateGraph<State> addWrapCallNodeHook(NodeHook.WrapCall value} {node1Key=node1-value, test=test-init-value, node2Key=node2-value, myData=node2-my-value} 文中源码：langgraph4j-study /src/main/java/org/bsc/langgraph4j/agent/_11_hook at main · yjmyzz/langgraph4j-study · GitHub
10910编辑于 2026-03-02
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号