LangGraph：有状态多智能体编排

为什么出现 LangGraph

旧的 AgentExecutor 是"黑盒循环"：只能线性执行，难以分支、并行、人工介入。生产级 Agent 需要更精细的控制流 —— 于是有了 LangGraph：把工作流建模为带状态的图（Graph）。

三个核心概念

• State（状态）：一个共享的 TypedDict，节点间传递与累加更新；
• Node（节点）：普通函数，接收状态、返回状态更新（往往是"调用一次 LLM 或工具"）；
• Edge（边）：节点的转移关系，支持条件边实现分支与循环。

最小示例

from langgraph.graph import StateGraph, MessagesState, START, END

def chatbot(state: MessagesState):
    return {"messages": [llm.invoke(state["messages"])]}

graph = StateGraph(MessagesState)
graph.add_node("chatbot", chatbot)
graph.add_edge(START, "chatbot")
graph.add_edge("chatbot", END)

app = graph.compile()
result = app.invoke({"messages": [("user", "你好")]})

加上带条件边的工具节点，就是自定义版 ReAct Agent；再加 human-in-the-loop 检查点，即可实现"人工审批后继续执行"。

LangGraph 的杀手锏

• 持久化 checkpoint：任意步骤可暂停/恢复，天然支持人工介入；
• 循环与分支：多智能体协作、自我修正（reflect）等复杂拓扑；
• time-travel：回到历史某节点换条路重新执行。

新项目做 Agent，直接从 LangGraph 开始。