LangGraph入门指南：AI Agent的操作系统全解析

如果你想从底层代码构建一个 AI Agent，那么 LangGraph 几乎是绕不开的技术选择。随着各大公司纷纷打造自己的 Agent 产品，掌握底层编排框架的能力正变得越来越重要。这篇文章基于 B 站一套 LangGraph 系统教程整理，帮助你厘清 LangGraph 的定位、核心能力与学习路径。

为什么要学习 LangGraph

我们已经全面进入 AI Agent 的时代，基本上每家公司都在构建独一无二的 Agent 产品。LangGraph 之所以被称为「Agent 的操作系统」，在于它提供了可靠的持久化执行引擎和完善的人机协同能力，在 AI Agent 的生产落地中占据着不可或缺的地位。

与仅仅调用大模型 API 的简单封装不同，LangGraph 关注的是复杂 Agent 工作流的编排：状态如何流转、节点如何衔接、执行如何持久化与恢复。这些正是把一个「玩具级 Demo」推向「企业级产品」的关键能力。

码的一个架构编排

LangGraph 与 LangChain 的关系

学习 LangGraph 时不可避免要与 LangChain 做对比。需要明确的是，二者并不是对立关系，而是协同工作的关系。官方对两个框架的定位本身就有明确分工：

LangChain 更倾向于顶层的应用层设计，让用户以最简单、最直观、最快速的方式上手构建 Agent。大多数 AI Agent 项目都从 LangChain 最基础的 create agent 开始，直接对接一个大模型即可开始工作。
LangGraph 更倾向于底层源码的架构编排。当你需要复杂的编排逻辑——比如持久化检查点、human-in-the-loop 架构——这时候就该引入 LangGraph。

因此比较推荐的学习顺序是：先掌握 LangChain 的应用层用法，再深入 LangGraph 的底层编排。

从技术演进角度看，LangChain 诞生于 2022 年底，最初以「链式调用」（Chain）为核心抽象，将提示词模板、模型调用、输出解析等步骤串联成可复用的管道。随着 Agent 场景复杂度提升，链式结构的线性局限逐渐暴露——它难以表达循环、条件分支和并发等非线性控制流。LangGraph 于 2024 年初作为独立子项目发布，以有向图（DAG 或带环图）为核心抽象，天然支持循环执行和复杂分支，从根本上解决了这一问题。两者共享同一个生态（模型接入层、工具调用规范、LangSmith 可观测平台），因此学习路径上的衔接成本较低，已有 LangChain 基础的开发者可以较平滑地过渡到 LangGraph。

课程六大模块概览

这套教程将内容划分为六大模块，覆盖从基础入门到企业级部署的完整链路。其中一个较为特殊的模块是「环境工具链」，它需要独立完成开发环境的部署，因此单列出来。

其余模块按学习深度递进：

基础入门：认识状态、节点、边这三大组件，从最基础的代码开始上手。
控制流：实现不同逻辑控制下的 LangGraph 流程。
核心功能：持久化 checkpoint、中断（human-in-the-loop）以及上线部署。
部署：借助 LangSmith 实现完整的 UI 界面与云端部署。
高级特性：流式执行、子图（在图中嵌套子图）等进阶用法。

课程声称覆盖了官方介绍的 LangGraph 所有功能，学完即可从底层完整掌握该框架。

还有上线部署

核心能力拆解

三大要素：状态、节点、边

这是学习 LangGraph 最基础的入门能力。定义一个图时，最核心的三个要素就是状态（State）、节点（Node）和边（Edge）。这部分是整个课程的地基，讲解节奏也会相对放慢，目的是让学习者彻底掌握。

让大家能够彻底掌握

控制流

打个比方，学 LangGraph 的控制流就像学 Python 语言一样——了解完最基础的语法结构后，接下来就是让逻辑代码按照你想要的方式运行。控制流决定了图中的执行路径如何根据条件分支、循环。

持久化与可恢复执行

第三项核心能力是持久化与可恢复执行。通过 checkpoint 做状态落盘，可以实现所谓的「时间旅行」——检查点回溯功能。这意味着 Agent 在执行过程中出现故障，也能从某个检查点恢复，这是企业级应用中至关重要的容错能力。

Checkpoint（检查点）机制的核心思想来自分布式系统中的快照容错：在计算过程的若干关键时间点将完整状态序列化并存储到持久层（SQLite、PostgreSQL 或自定义后端均可），一旦执行失败或需要回溯，可以从任意历史快照重新恢复执行，而无需从头重跑。LangGraph 的「时间旅行」（Time Travel）功能即构建在此之上——开发者可以在 LangSmith 界面中选取某个历史检查点，修改状态后重新执行后续节点，极大地方便了调试与行为复现。这一能力在长时任务（如多轮自主研究、代码生成迭代）中尤为关键，因为一次失败意味着可能损失数分钟乃至数十分钟的推理成本。

Human-in-the-loop

第四项能力是 human-in-the-loop，即把人为的步骤抉择添加到整个 AI Agent 的执行过程中。教程用了一个形象的说法：有了 AI 之后，打工人某种程度上变成了 AI 的「领导」，大多数工作交给 AI 执行，而人则像老板盖章那样做审核决策。

要实现这种在关键节点让人介入的能力，就需要用到 LangGraph 的动态中断（dynamic interrupt）机制。

那我们大多数的工作都让AI做了那人干嘛

动态中断（Dynamic Interrupt）是 LangGraph 实现 Human-in-the-loop 的底层机制：在图的任意节点执行前后，开发者可以插入 interrupt() 调用，使整个图的执行在该点挂起并将当前状态持久化。外部系统（前端界面、审批流、消息队列等）收到挂起信号后可向人类呈现上下文并等待输入，人类决策结果写回状态后图从断点处继续执行。这与传统 RPA 或流程自动化中的「人工审批节点」概念相似，但 LangGraph 的实现是无阻塞异步的——挂起期间不占用服务器线程，支持跨进程甚至跨机器的状态恢复。典型应用场景包括：AI 生成合同草稿后等待法务审核、自动化交易系统在超过阈值时请求人工确认等。

高阶特性：流式执行与子图

第五项是高阶特性，包括流式执行（streaming）和子图。流式执行关注如何在过程中实时产出对应的输出内容；子图则允许在一个图中再嵌套一个子图，从而构建更加模块化、可复用的复杂工作流。

流式执行（Streaming）在 LangGraph 中有多个粒度层级：Token 级流式（逐 token 输出 LLM 响应）、节点级流式（每个节点执行完成时推送状态更新）以及事件流（所有中间事件的完整日志）。子图（Subgraph）则对应软件工程中的「模块化」思想——将可复用的子工作流封装为独立的图，以节点的形式嵌入父图中调用，父子图各自维护独立的状态空间，通过定义好的接口传递数据。这使得大型 Multi-Agent 系统可以按职责拆分为多个独立开发、独立测试的子图，再组合成复杂的整体编排，显著提升代码的可维护性与团队协作效率。

学完能达到什么水平

按照课程设定，学完这套内容你将具备以下能力：

从零开始编写 LangGraph 代码，构建 AI Agent 工作流；
掌握企业级的持久化、故障恢复与人机协同核心能力；
借助 LangSmith 完成产品的云端调试与云端部署；
深入理解 LangChain / LangGraph 的生态体系，学会对接各种大模型。

小结

LangGraph 的价值在于把 AI Agent 从「能跑」推向「可靠可用」。它补齐了简单 API 调用所欠缺的状态管理、容错恢复与人机协同能力，是构建复杂 Agent 系统的底层基础。对于希望深入 Agent 开发的人来说，先打好 LangChain 应用层基础、再攻克 LangGraph 底层编排，是一条较为务实的进阶路径。