State Graph · Agent · LangChain 生态

LangGraph 状态图 Agent 实战

用有向图把 LLM 工作流画清楚。从单节点 ReAct Agent 到 Multi-Agent 协作、持久化、人工介入、流式输出,掌握生产级 AI 编排的第一名选择。

LangGraph 0.2+ TypedDict State Checkpointer Human-in-the-loop Subgraph LangSmith

开始学习 →

📊 10 章节 🧭 从状态图到 Multi-Agent 🚀 从新手到资深

课程目录

把 Agent 从"一坨 if-else"重构成可观测、可回放、可组合的状态图

为什么需要 LangGraph:LLM 工作流的状态图思维

从链式 Chain 的局限到图结构的优势,循环、分支、回溯、持久化——为什么有状态的 Agent 必须画成图。

核心概念:State / Node / Edge

TypedDict 定义状态、reducer 合并策略、节点函数签名、START/END 特殊节点,从最小例子开始。

条件路由与循环

conditional_edges、Command 跳转、循环终止条件,构建真正的"思考-行动-观察"循环而非平铺链条。

ReAct Agent 实战

prebuilt.create_react_agent,工具绑定、tool_calls 处理、ToolNode,把"LLM + 工具"串成标准 Agent。

持久化:Checkpointer 与会话状态

MemorySaver/SqliteSaver/PostgresSaver,thread_id 隔离多用户,state 回溯、分支、历史查询。

持久化Checkpoint

Human-in-the-loop:中断与恢复

interrupt_before、审批节点、用户编辑 state 后 resume,把 Agent 从全自动降级为半自动的生产必备模式。

流式输出:stream / astream / events

stream_mode 三种模式(values/updates/messages),token 级流式,前端 SSE 对接,让用户看到"思考过程"。

Multi-Agent 与 Subgraph

Supervisor 模式、Swarm 模式、handoff、子图封装,用多个专精 Agent 协作解决大任务。

Multi-AgentSubgraph

可观测性:LangSmith + OpenTelemetry

trace 看板、节点耗时、token/cost,错误回溯、回放调试,把 Agent 从黑盒变灰盒。

ObservabilityLangSmith

实战:客服工单自动分诊 + 人工复核 Agent

完整端到端:分类节点 → 检索 → 生成回复 → 人工审批 → 发送,带持久化、流式、LangSmith,生产就绪架构。

端到端落地