LangGraph 评测：用图结构编排有状态、可恢复的 AI 智能体

它解决什么问题：智能体的状态与恢复

大多数智能体框架只处理单次请求，模型调用结束后一切归零。LangGraph 的定位完全不同，它面向长时间运行、有状态的智能体。README 明确列出三个核心能力：持久执行、人工介入、综合记忆。持久执行意味着智能体在失败后可以从上次中断的位置继续，而不是从头开始。人工介入允许在任意执行点检查并修改状态。综合记忆则区分短期工作记忆与跨会话的长期记忆。这些能力指向一个真实痛点：生产环境中的智能体往往要跑几小时甚至几天，中途可能遇到 API 超时、模型出错或需要人工确认。没有状态持久化，这类任务几乎无法可靠完成。

核心机制：从 Pregel 到图执行

LangGraph 的底层设计受 Google Pregel 和 Apache Beam 启发，公开接口则借鉴 NetworkX。这意味着它把智能体流程建模为一张有向图，节点是计算步骤，边是状态转移。执行时，框架负责调度节点、传递状态、处理并行分支。这种设计的直接好处是状态流转是显式的，你可以精确控制每一步的输入输出。与线性链式调用不同，图结构允许条件分支、循环和子图嵌套。README 提到它支持分支和子图等设计模式。但这也带来一个代价：你需要用图的方式思考问题，而不是用顺序代码。对简单任务，这种抽象是多余的。

上手方式：安装与第一个图

安装只需一条命令：pip install -U langgraph。根据 README，LangGraph 可以独立使用，不强制依赖 LangChain。但文档也暗示，与 LangChain 产品配合时体验更完整。快速入门指南位于 docs.langchain.com/oss/python/langgraph/quickstart，其中会演示如何定义状态、添加节点、编译图并执行。一个典型的图需要定义状态类型，然后创建节点函数，最后用 StateGraph 连接它们。由于 README 没有给出代码示例，我只能依赖文档描述。实际使用时，你会发现编译后的图对象可以像函数一样被调用，但内部会处理状态持久化。这种设计让图在本地和远程执行时表现一致。

持久执行与人工介入的实际含义

持久执行不是简单的保存日志，而是让智能体在进程崩溃后恢复。README 说它会自动从上次中断的位置继续。这意味着每个节点执行后，状态都会被持久化到存储后端。人工介入则通过中断（interrupts）机制实现，你可以在图中插入一个中断点，暂停执行，检查当前状态，修改后再恢复。这比传统的回调机制更直观，因为状态是显式传递的。但这也要求你提前设计好中断点，否则无法在运行时临时插入。文档提到 LangSmith 提供可视化工具来追踪执行路径和状态转换，这在实际调试中几乎是必须的，否则图的状态流转很难追踪。

生态绑定：LangChain 与 LangSmith 的依赖

LangGraph 可以独立使用，但 README 明确说它与 LangChain 产品集成更顺畅。LangSmith 是它的可观测性层，提供执行路径追踪、状态转换捕获和运行时指标。这听起来不错，但 LangSmith 是一个商业产品，虽然可能有免费额度，但大规模使用需要付费。另外，Deep Agents 是一个基于 LangGraph 的高层包，适合需要规划、子智能体和文件系统操作的复杂任务。这意味着 LangGraph 不是孤立的框架，而是 LangChain 生态的一部分。如果你不想被绑定到这个生态，你仍然可以使用 LangGraph，但会失去官方推荐的调试和部署工具。这是一个需要权衡的决策。

真正的限制：何时不该用 LangGraph

LangGraph 的复杂度是真实存在的。对于单轮对话或简单的工具调用，图结构带来的心智负担远大于收益。你不需要持久执行，也不需要人工介入，一个简单的函数调用就够了。此外，持久执行依赖外部存储后端，如果你没有配置数据库或 Redis，LangGraph 的持久化能力就无法发挥。README 没有列出支持的存储列表，但文档中提到了 SQLite 等选项。另一个限制是调试难度，图执行顺序不直观，一旦状态出错，排查起来比线性代码更耗时。LangSmith 可以缓解，但那是额外成本。最后，LangGraph 的版本迭代较快，最近一次发布是 1.2.11，API 可能变化，升级时需要关注变更日志。

替代方案：与 AutoGen 和 CrewAI 的差异

LangGraph 不是唯一的选择。微软的 AutoGen 采用多智能体对话模式，智能体之间通过消息交换协作，而不是通过共享状态图。这种设计适合需要多角色辩论或协商的场景，但状态管理不如 LangGraph 显式。CrewAI 则更强调角色分工，把智能体组织成团队，每个智能体有特定职责，流程定义更接近自然语言。相比之下，LangGraph 的核心优势是精确的状态控制，你可以定义状态 schema，每个节点明确知道输入输出。AutoGen 和 CrewAI 更适合快速搭建原型，但它们在持久执行和人工介入方面没有同等深度的支持。如果你需要跨会话记忆或故障恢复，LangGraph 的图模型是更可靠的基础。

维护与许可：MIT 下的长期风险

LangGraph 采用 MIT 许可证，这意味着你可以自由使用、修改和分发，包括商业用途。但注意，LangSmith 和 LangSmith Deployment 是商业产品，虽然 LangGraph 本身是开源的，但官方推荐的部署方案可能涉及付费。维护方面，LangGraph 由 LangChain 公司维护，最近一次提交是 2026 年 8 月，说明项目活跃。但活跃也意味着 API 可能频繁变动，1.x 版本已经稳定，但小版本更新可能引入破坏性变化。升级时，你需要检查发布说明，尤其是 langgraph-sdk 的版本。如果团队没有专门的维护精力，频繁升级可能成为负担。

编辑结论

LangGraph 适合需要长时间运行、状态可恢复、且需要人工干预的复杂智能体项目，尤其是已经使用 LangChain 生态的团队。它不适合简单的单次调用型 Agent，也不适合希望快速搭建原型的场景，因为其图结构需要额外的设计与调试成本。在采纳前，应先验证其持久执行机制是否与你的存储后端兼容（如 SQLite 或 Redis），并确认 LangSmith 的集成是否在你的预算内。如果你不需要跨会话记忆或故障恢复，更轻量的框架如 AutoGen 或 CrewAI 可能更直接。最终，LangGraph 的价值在于其精确的状态控制，而非易用性。

官方来源

1. Official documentation
2. Official README
3. Project repository
4. Release notes