LangGraph是LangChain团队推出的一个强大框架，用于构建有状态、多步骤的AI Agent工作流。与传统的链式调用不同，LangGraph让开发者可以定义包含循环、分支和条件逻辑的图结构，非常适合构建复杂的AI代理系统。

环境准备

首先安装必要的依赖包：

pip install langgraph langchain-openai langchain-community

基础示例：构建一个简单的问答Agent

以下代码展示如何用LangGraph构建一个能自主决定是否调用工具搜索的AI Agent：

from typing import TypedDict, Literal
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, AIMessage

# 定义状态结构
class AgentState(TypedDict):
    messages: list
    next_step: str

# 初始化LLM
llm = ChatOpenAI(model="gpt-4", temperature=0)

# 定义节点函数
def call_model(state: AgentState) -> AgentState:
    response = llm.invoke(state["messages"])
    state["messages"].append(AIMessage(content=response.content))
    return state

def should_continue(state: AgentState) -> Literal["tools", "end"]:
    last_msg = state["messages"][-1]
    if "需要搜索" in last_msg.content:
        return "tools"
    return "end"

# 构建图
workflow = StateGraph(AgentState)
workflow.add_node("agent", call_model)
workflow.set_entry_point("agent")
workflow.add_conditional_edges("agent", should_continue)

# 编译并运行
app = workflow.compile()
result = app.invoke({
    "messages": [HumanMessage(content="2026年AI行业最大的新闻是什么？")],
    "next_step": ""
})
print(result["messages"][-1].content)

添加工具调用

LangGraph支持与LangChain工具无缝集成：

from langchain_community.tools import DuckDuckGoSearchRun
from langgraph.prebuilt import ToolExecutor, ToolInvocation

# 定义工具
search = DuckDuckGoSearchRun()
tools = [search]
tool_executor = ToolExecutor(tools)

def call_tool(state: AgentState) -> AgentState:
    last_msg = state["messages"][-1]
    tool_invocation = ToolInvocation(
        tool="duckduckgo_search",
        tool_input=last_msg.content
    )
    result = tool_executor.invoke(tool_invocation)
    state["messages"].append(AIMessage(content=f"搜索结果：{result}"))
    return state

高级：带记忆的多轮对话Agent

利用LangGraph的持久化功能，可以构建跨会话记忆的Agent：

from langgraph.checkpoint import MemorySaver

# 启用记忆功能
memory = MemorySaver()
app_with_memory = workflow.compile(checkpointer=memory)

# 带会话ID运行
config = {"configurable": {"thread_id": "session_1"}}
result = app_with_memory.invoke({
    "messages": [HumanMessage(content="你好，我叫小明")]
}, config=config)

result = app_with_memory.invoke({
    "messages": [HumanMessage(content="我叫什么名字？")]
}, config=config)
# Agent会正确回答"小明"

LangGraph的设计理念是"图即工作流"——每个节点执行一个操作（调用LLM、运行工具、处理数据），边决定了执行顺序和条件分支。这种方式比传统框架更灵活，能够应对真实世界中复杂的AI Agent场景。

建议初学者从简单的两节点图开始，逐步增加工具节点和条件判断，最终构建出能自主决策的多工具Agent系统。