本文介绍新一代智能体开发框架LangGraph，它基于LangChain构建但采用更灵活的"图结构"工作流哲学。文章详解了LangGraph的三层核心架构（底层API、高层封装API和预构建Agent）及其完整生态系统（包括LangSmith监控、Studio可视化、CLI部署等工具）。作者计划推出系列教程，帮助开发者从零掌握这一企业级智能体开发框架，值得收藏学习。

---

前言

说起现阶段最流行、最通用的Agent开发框架，毫无疑问肯定是LangChain。LangChain作为2022年开源的元老级开发框架，历经数年发展其功能和生态都非常完善并且拥有数量众多的开发者。可以说LangChain就是目前能力最强、最通用、最流行的Agent开发框架没有之一。

2025年以来，LangGraph是Agent开发框架中突飞猛进的新星，大有一举超过同宗同源的Agent开发框架LangChain成为当今最火热智能体开发框架的趋势。要想掌握智能体开发的技巧，LangGraph框架的学习必不可少，从本期分享开始，笔者将分享LangGraph的系列教程，带你掌握智能体开发的“杀手锏”！

PS:鉴于后台私信越来越多，我建了一些大模型交流群，大家在日常学习生活工作中遇到的大模型知识和问题都可以在群中分享出来大家一起解决！如果大家想交流大模型知识，可以关注我并回复加群。

一、为什么要推出LangGraph？

由于LangChain诞生时间较早（2022年末，GPT-3.5刚刚诞生），当时开发者对大模型的想象主要是用其搭建一个又一个的工作流，而这也成为LangChain的核心目标，LangChain中的“Chain”也就是链式调用就是搭建“工作流”的意思。LangChain通过模型稳定接入、LCEL简洁语法规则、丰富强大的内置工具使得开发者能够便捷地将提示词模板、大模型及一些外部工具组合拼装，迅速成为世界最流行的智能体开发框架。

不过伴随着Agent开发技术的飞速发展，LangChain很快意识到要真正满足新一代多智能体开发需求，仅靠Agent API是完全不够的，因此在23年下半年，LangChain创立了以“图结构”为智能体构建哲学的框架，这就是大名鼎鼎的LangGraph，目前最火热的Agent开发框架！

二、 LangGraph基础

2.1 LangGraph与LangChain对比

LangGraph和LangChain同宗同源，底层架构完全相同、接口完全相通。从开发者角度来说，LangGraph也是使用LangChain底层API来接入各类大模型、LangGraph也完全兼容LangChain内置的一系列工具。简而言之，LangGraph的核心功能都是依托LangChain来完成。但是和LangChain的“链式工作流”哲学完全不同的是，LangGraph的基础哲学是“构建图结构”的工作流，并引入“状态”这一核心概念来描绘任务执行情况。很显然，图状工作流肯定比链式工作流功能要更加灵活，功能可拓展性也更强（比如下面右图中两个方框内图可看作两个独立运行的智能体，而下面左图只能依次执行）。从而拓展了LangChain LCEL链式语法的功能灵活程度。

不过要注意的是，LangGraph是基于LangChain构建的，无论图结构多复杂，单独每个任务执行链路仍然是线性的，其背后仍然是靠着LangChain的Chain来实现的。因此我们可以这么来描述LangChain和LangGraph之间的关系，LangGraph是LangChain工作流的高级编排工具，其中“高级”之处就是LangGraph能按照图结构来编排工作流。

2.2 LangGraph核心架构

为避免大家在学习LangGraph框架时云里雾里，笔者这里梳理了LangGraph的三层核心架构体系。本系列分享笔者会紧紧围绕这一体系展开。

2.2.1 LangGraph 底层 API

尽管图结构看起来比链式结构灵活很多，但在实际开发过程中，要创建一个图结构绝非易事，大家可以试想一下要在代码环境中描述清楚一个图，至少需要清晰的说明图中有哪些节点，不同节点间如何相连（边如何连接），同时还需要设置各节点功能，流程是十分复杂的。以一个包括最简单的加减法有向图为例:

复杂的流程严重影响了开发效率。（注：LangGraph的本质是DAG（有向无环图），但它扩展支持了“有状态循环图”，本质上是一种 可控状态机（State Machine））

2.2.2 LangGraph高层封装API

与LangChain既有LCEL语法，同时也有Agent API类似，LangGraph也提供了基于图结构基础语法的高层API。

LangGraph的高层API主要分为两层，其一是Agent API，用于将大模型、提示词模板、外部工具等关键元素快速封装为图中的一些节点，而更高一层的封装，则是进一步创建一些预构建的Agent、也就是预构建好的图，开发者只需要带入设置好要带入的工具和模型，三行代码就能借助这些预构建好的图，创建一个完整的Agent，大大提升了开发效率。（预构建图一定程度上和LangChain Agent API 类似）

2.2.3 LangGraph系列文章分享顺序

完整的LangGraph三层API架构图如下所示, 为了让大家由易到难逐步吃透LangGraph的核心技巧，我将按照从上到下：预构建图Agent API -> Agent Node API -> 构建图语法底层API的核心顺序进行分享，大家在阅读系列分享时要时刻与该图对应，建立完整的体系结构，学习会事半功倍。

三、LangGraph核心生态

LangGraph不但自身能力强大，更有一系列开发者套件为其保驾护航，它们分别是LangGraph运行监控框架LangSmith、LangGraph图结构可视化与调试框架LangGraph Studio、LangGraph服务部署工具LangGraph Cli、前端可视化工具 Agent Chat UI和LangGraph内置工具库与MCP调用组件。可以说这些开发工具套件，是真正推动LangGraph的企业级应用开发效率大幅提升的关键。同时监控、调试和部署工具，也是全新一代企业级Agent开发框架的必备工具，也是开发者必须要掌握的基础工具。

3.1 LangGraph运行监控框架：LangSmith

LangSmith （https://docs.smith.langchain.com/） 是一款用于构建、调试、可视化和评估 LLM 工作流的全生命周期开发平台。它聚焦的不是模型训练，而是我们在构建 AI 应用（尤其是多工具 Agent、LangChain/Graph）时的「可视化调试」、「性能评估」与「运维监控」。

3.2 LangGraph图结构可视化编辑与调试框架：LangGraph Studio

LangGraph Studio（https://langgraph.com.cn/cloud/how-tos/studio/quick_start/index.html） 是一个用于可视化构建图、测试、分享和部署智能体流程图的图形化 IDE + 运行平台。目前 LangGraph Studio已经被集成到LangGraph Cli中。

3.3 LangGraph服务部署工具：LangGraph Cli

LangGraph CLI （https://www.langgraph.dev/） 是用于本地启动、调试、测试和托管 LangGraph 智能体图的开发者命令行工具。一旦应用成功部署上线，LangGraph Cli会非常贴心的提供后端接口说明文档。而对于LangGraph构建的智能体，除了能够本地部署外，官方也提供了云托管服务，借助LangGraph Platform，开发者可以将构建的智能体 Graph部署到云端，并允许公开访问，同时支持支持长时间运行、文件上传、外部 API 调用、Studio 集成等功能。美中不足的是LangGraph Cli的使用需要科学上网。

3.4 LangGraph Agent前端可视化工具: Agent Chat UI

Agent Chat UI （https://langchain-ai.github.io/langgraph/agents/ui/） 是 LangGraph/LangChain 官方提供的多智能体前端对话面板，用于与后端 Agent（Graph 或 Chain）进行实时互动，支持上传文件、多工具协同、结构化输出、多轮对话、调试标注等功能。

3.5 LangGraph内置工具库与MCP调用组件

除了有上述非常多实用的开发工具外，LangGraph还全面兼容LangChain的内置工具集,毕竟可以理解为LangGraph就是LangChain的高级封装。LangChain自诞生之初就为开发者提供了非常多种类各异的、封装好的实用工具，历经几年发展时间，目前LangChain已经拥有了数以百计的内置实用工具，包括网络搜索工具、浏览器自动化工具、Python代码解释器、SQL代码解释器等。而作为LangChain同系框架，LangGraph也可以无缝调用LangChain各项开发工具，从而大幅提高开发效率。

此外，LangChain是最早支持MCP的开发框架之一，借助langchain-mcp-adapters，LangChain和LangGraph便可快速接入各类MCP工具。

四、总结

本期分享从LangGraph与LangChain的对比出发，介绍了LangGraph的三层核心架构、完整生态工具，带大家全面认识最火热最全面的智能体开发框架LangGraph。相信看到这儿大家已经迫不及待的想上手利用LangGraph配合自己的独特创意搭建AI Agent智能体了，别急，下期内容我们实战LangGraph高级API快速构建Agent的相关知识点。

随着大模型的持续火爆，各行各业纷纷开始探索和搭建属于自己的私有化大模型，这无疑将催生大量对大模型人才的需求，也带来了前所未有的就业机遇。**正如雷军所说：“站在风口，猪都能飞起来。”**如今，大模型正成为科技领域的核心风口，是一个极具潜力的发展机会。能否抓住这个风口，将决定你是否能在未来竞争中占据先机。

那么，我们该如何学习大模型呢？

人工智能技术的迅猛发展，大模型已经成为推动行业变革的核心力量。然而，面对复杂的模型结构、庞大的参数量以及多样的应用场景，许多学习者常常感到无从下手。作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。

为此，我们整理了一份全面的大模型学习路线，帮助大家快速梳理知识，形成自己的体系。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一、大模型全套的学习路线

大型预训练模型（如GPT-3、BERT、XLNet等）已经成为当今科技领域的一大热点。这些模型凭借其强大的语言理解和生成能力，正在改变我们对人工智能的认识。为了跟上这一趋势，越来越多的人开始学习大模型，希望能在这一领域找到属于自己的机会。

L1级别：启航篇 | 极速破界AI新时代

• AI大模型的前世今生：了解AI大模型的发展历程。
• 如何让大模型2C能力分析：探讨大模型在消费者市场的应用。
• 行业案例综合分析：分析不同行业的实际应用案例。
• 大模型核心原理：深入理解大模型的核心技术和工作原理。

L2阶段：攻坚篇 | RAG开发实战工坊

• RAG架构标准全流程：掌握RAG架构的开发流程。
• RAG商业落地案例分析：研究RAG技术在商业领域的成功案例。
• RAG商业模式规划：制定RAG技术的商业化和市场策略。
• 多模式RAG实践：进行多种模式的RAG开发和测试。
  

L3阶段：跃迁篇 | Agent智能体架构设计

• Agent核心功能设计：设计和实现Agent的核心功能。
• 从单智能体到多智能体协作：探讨多个智能体之间的协同工作。
• 智能体交互任务拆解：分解和设计智能体的交互任务。
• 10+Agent实践：进行超过十个Agent的实际项目练习。

L4阶段：精进篇 | 模型微调与私有化部署

• 打造您的专属服务模型：定制和优化自己的服务模型。
• 模型本地微调与私有化：在本地环境中调整和私有化模型。
• 大规模工业级项目实践：参与大型工业项目的实践。
• 模型部署与评估：部署和评估模型的性能和效果。

专题集：特训篇

• 全新升级模块：学习最新的技术和模块更新。
• 前沿行业热点：关注和研究当前行业的热点问题。
• AIGC与MPC跨领域应用：探索AIGC和MPC在不同领域的应用。

掌握以上五个板块的内容，您将能够系统地掌握AI大模型的知识体系，市场上大多数岗位都是可以胜任的。然而，要想达到更高的水平，还需要在算法和实战方面进行深入研究和探索。

[👉点击即可获取大模型学习包2025年最新版👈]

1. AI大模型学习路线图
2. 100套AI大模型商业化落地方案
3. 100集大模型视频教程
4. 200本大模型PDF书籍
5. LLM面试题合集
6. AI产品经理资源合集

以上的AI大模型学习路线，不知道为什么发出来就有点糊，高清版可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

二、640套AI大模型报告合集

这套包含640份报告的合集，全面覆盖了AI大模型的理论探索、技术落地与行业实践等多个维度。无论您是从事科研工作的学者、专注于技术开发的工程师，还是对AI大模型充满兴趣的爱好者，这套报告都将为您带来丰富的知识储备与深刻的行业洞察，助力您更深入地理解和应用大模型技术。

三、大模型经典PDF籍

随着人工智能技术的迅猛发展，AI大模型已成为当前科技领域的核心热点。像GPT-3、BERT、XLNet等大型预训练模型，凭借其卓越的语言理解与生成能力，正在重新定义我们对人工智能的认知。为了帮助大家更高效地学习和掌握这些技术，以下这些PDF资料将是极具价值的学习资源。

四、AI大模型商业化落地方案

AI大模型商业化落地方案聚焦于如何将先进的大模型技术转化为实际的商业价值。通过结合行业场景与市场需求，该方案为企业提供了从技术落地到盈利模式的完整路径，助力实现智能化升级与创新突破。

希望以上内容能对大家学习大模型有所帮助。如有需要，请微信扫描下方CSDN官方认证二维码免费领取相关资源【保证100%免费】。

祝大家学习顺利，抓住机遇，共创美好未来！