LangGraph

LangGraph 的架构基于三个核心概念：State、Node、Edge。State 是图中流动的数据结构，通常是 TypedDict 或 Pydantic Model，包含 Agent 的所有上下文信息（对话历史、工具结果、中间变量等）。

Node 是处理函数，接收当前 State，返回 State 的更新（可以是部分更新或完整替换）。Node 通常是 LLM 调用、工具调用、数据处理逻辑。Edge 是状态转移条件，定义节点之间的执行顺序。

Edge 可以是固定边（A 总是执行后执行 B）或条件边（根据 State 中的某个字段决定下一步执行哪个节点）。

LangGraph 支持循环（Cycles），这是与 LangChain 的关键区别——LangChain 是链式调用（无环），LangGraph 是图编排（有环），支持 Agent 的迭代推理和工具调用循环。

LangGraph 的运行时（Runtime）负责图的执行、状态管理、持久化、流式输出等底层逻辑。

LangGraph 提供多个生产级特性，使其成为企业 Agent 开发的首选框架。

• 持久化执行（Durable Execution）：LangGraph 支持将 State 持久化到数据库（PostgreSQL、Redis、SQLite 等），在故障恢复后可以从上次中断的节点继续执行，无需重新运行整个流程
• 流式输出（Streaming）：LangGraph 支持实时返回中间结果，包括节点执行进度、LLM 生成的 Token、工具调用结果等
• 人机协作（Human-in-the-Loop）：LangGraph 支持在任意节点暂停执行，等待人工审批或输入，然后继续执行。这对于需要人工审核的场景（如金融交易、医疗诊断）至关重要
• 时间旅行（Time Travel）：LangGraph 支持回溯到历史状态，从任意历史节点重新执行，便于调试和实验
• 子图（Subgraphs）：LangGraph 支持将复杂图拆分为多个子图，每个子图可以独立开发、测试、复用

截至 2026 年 6 月，LangGraph 的 GitHub Stars 达到 38K+，是 LangChain 生态的核心组件。

企业采纳案例包括：Klarna 使用 LangGraph 构建客服 Agent，Replit 使用 LangGraph 构建代码生成 Agent，Elastic 使用 LangGraph 构建搜索 Agent。

LangGraph 与 LangSmith 深度集成，LangSmith 提供 LangGraph 的可视化调试、监控、评估功能。LangGraph Platform 提供 LangGraph 的托管服务，支持一键部署、自动扩缩容、持久化存储。

与 CrewAI 的对比：LangGraph 是底层编排框架，需要手动定义图结构，灵活性高但学习曲线陡峭；CrewAI 是高层角色编排框架，通过定义 Agent 角色和任务自动编排，更直觉但灵活性较低。

选型建议：需要精确控制执行路径的生产场景选择 LangGraph，快速原型和中等复杂度场景选择 CrewAI。