LangGraph 1.0 实战教程：从零构建持久化AI智能体

为什么要学 LangGraph

传统的 AI 应用大多是无状态、一次性的——你问一句，它答一句，用完即走。而真正能落地生产的 AI 应用，需要具备记忆、推理、自主执行复杂任务的能力，也就是所谓的「持久化智能体」（Durable Agent）。这正是 LangGraph 想要解决的核心问题。

这套系列教程基于 LangGraph 最新的 1.0.x 版本，共分六节课，每节控制在 20 分钟以内，从基础概念一路讲到生产上线。围绕智能体展开的几个关键词——记忆、推理、自主、复杂任务以及持久化——构成了 LangGraph 整个框架的设计主线。

LangGraph 与 LangChain 的定位差异

理解 LangGraph，绕不开它与 LangChain 的关系。LangChain 是一个封装得非常完善的高层级框架，调用大模型、使用工具、写一些简单的 Agent 都很方便。封装越好，使用越便捷，它就越偏向「高层级」。

LangGraph 则反其道而行——它定位为一个低层级的编排框架与运行时（low-level orchestration framework & runtime）。所谓低层级，意思是它让你从底层去构建 Agent。这样做的代价是复杂度更高，但好处也很明显：你可以用更大的自由度去定义智能体的每一个节点、每一条流转路径，而不是被高层封装限制住。对于需要精细控制执行逻辑的复杂场景，这种底层能力往往是刚需。

LangGraph 的五大核心特性

持久化执行（Durable Execution）

持久化是 LangGraph 最重要的特性之一。它不仅能保持状态，更能保存执行的上下文。这意味着当 Agent 在执行过程中出现故障时，它可以随时无缝恢复，确保整个构建过程永不中断。对于长链路、多步骤的任务来说，这一点至关重要。

持久化执行的底层实现依赖于检查点机制（Checkpointing）。LangGraph 在每个节点执行完成后，会将当前的完整状态序列化并写入持久化存储（如数据库或文件系统）。一旦程序崩溃或网络中断，下次恢复时只需从最近的检查点重新加载状态，无需从头重跑整个流程。这对于运行时间可能长达数分钟甚至数小时的复杂 Agent 任务而言，意味着巨大的成本节省。与之形成对比的是传统无状态 API 调用——一旦中途失败，所有中间结果全部丢失，只能完整重试。LangGraph 的检查点机制还为「时间旅行」功能奠定了基础：正因为每一步的状态都被保存，才可以随时回溯到任意历史节点重新执行。

完整的内存管理

LangGraph 融合了短期记忆与长期记忆，为智能体赋予真正的上下文感知能力。记忆管理是区分「玩具 demo」和「生产级应用」的关键分水岭——没有记忆的 Agent 永远只能处理一次性对话。

Human in the Loop

当 Agent 在执行的中间节点需要人工介入时，就会用到 Human in the Loop 机制。它允许人在流程中做确认和审核的动作，这对于涉及高风险决策、合规审查的场景尤为重要。

Human in the Loop（HITL）在工程实现上，本质是在 Agent 的执行图中插入中断点（Breakpoint）。当流程执行到中断点时，LangGraph 会暂停并将当前状态持久化，等待外部（通常是人工）提供输入或审批信号后再继续。这与普通的「请求-响应」模式有本质区别——Agent 可以暂停等待数小时乃至数天，期间不占用任何计算资源。典型应用场景包括：AI 生成的合同需要法务人员确认后才能发送、自动化运维脚本在执行高危操作前需要工程师二次确认、内容审核流程中有争议的内容转交人工复核。HITL 机制使得 AI 自主执行与人工监督可以灵活组合，是构建可信赖生产级系统的关键安全阀。

生产级可靠性

LangGraph 已经被许多知名公司用于实际产品中，不少产品的底层正是依靠 LangGraph 来实现的。这种经过生产环境验证的可靠性，是它区别于实验性框架的重要标志。

深度可观察性

通过与 LangSmith 的集成，LangGraph 执行过程中的每一步都能被监控到。可观察性决定了你能否在复杂系统出问题时快速定位，这在调试多节点 Agent 时价值巨大。

六节课的内容规划

整套课程的学习路径从基础逐步推进到实战：

• 第一节课：讲解 LangGraph 的基础框架哲学，厘清 Workflow 与 Agent 的区别，重点介绍各个核心组件的含义，并附带一个小实战。
• 第二节课：聚焦状态持久化与记忆，解释为什么要引入「状态」概念、状态在框架中的作用，以及 Durable Execution 这一核心特性，同时讲解短期与长期记忆的管理。
• 第三节课：讲流式输出、中断与时间旅行。流式输出可实时获取 Values、Updates 和 Message；中断可在任意节点实现 Human in the Loop 的人工审核干预；时间旅行则允许回溯到任意历史状态，探索和调试不同的执行分支。此外还会讲到基于条件的流程控制。

• 第四节课：讲外部工具集成与 API 调用。虽然 LangChain 课程中有涉及，但考虑到部分学员直接从 LangGraph 入门，这部分会重新讲解一遍。
• 第五节课：讲多智能体的构建，包括多智能体协同、主从模式、指挥官加子节点模式等，并涉及子图（subgraph）概念和各类协作模式。
• 第六节课：围绕生产上线展开，是整个系列的综合实战落点。

LangSmith 与 LangGraph Studio

在最后一节课里，LangSmith 会配合 LangGraph 完成所有 Agent 执行的监控。LangGraph 现在提供了 LangGraph Studio，并已集成到 LangSmith 中。在 Studio 里你可以用可视化的方式进行开发，把定义好的 Agent 流程部署到 LangSmith 上，并对 Agent 执行动作的输入与输出做深度监控。这套工具链把开发、部署、监控串联成一个闭环，是生产落地环节不可或缺的一环。

LangSmith 是 LangChain 团队推出的 LLM 应用全链路观测平台，提供追踪（Tracing）、评估（Evaluation）和监控（Monitoring）三大核心功能。在追踪层面，它能捕获每次 LLM 调用的输入输出、延迟、Token 用量及成本；在评估层面，支持对 Agent 的输出质量进行自动化打分；在监控层面，可设置告警规则对生产环境中的异常行为及时预警。对于 LangGraph 这类多节点、多工具调用的复杂 Agent，单靠打印日志几乎无法有效排查问题，LangSmith 提供的可视化调用链视图能清晰展示每个节点的执行顺序与耗时分布，大幅缩短调试周期。LangGraph Studio 则进一步将图结构可视化，开发者可以在界面上直接观察节点间的状态流转，甚至手动触发特定节点重新执行。

学习前置准备

想要顺利跟上这套课程，需要具备几项基础：

• Python 基础：整套课程都基于 Python 讲解，这是硬性门槛。
• Docker 知识：了解一些 Docker 的基本概念，为后续部署做准备。
• API Keys：准备好 OpenAI 或国内大模型的 API Key，这部分需要在上课前自行获取。

整体来看，这套教程的价值在于它系统化地覆盖了从框架哲学、状态与记忆、流式控制、工具集成、多智能体到生产上线的完整链路。对于想转行或提升 AI 工程能力的开发者而言，LangGraph 作为低层级编排框架，确实是进阶构建复杂智能体绕不开的一块基础拼图。