By 黄金金枪鱼 
2025-10-17,LangChain 团队把 LangGraph 推上了 1.0.0 的稳定版本。九个月过去,这个最初以「把 Agent 编排画成状态图」为卖点的框架,已经迭代到 1.2.9(2026-07-10),累计 37,596 颗星、6,307 次 fork,被 Klarna、Replit、Elastic 等公司写进生产文档。它的成功不在于发明了什么新算法,而在于把 Agent 工程化里最痛的两件事 —— 长跑可恢复和可观测 —— 用图论的语言讲清楚了。
一、从 LangChain 分支出来的状态图框架
LangGraph 的定位在 README 里写得很克制:「Low-level orchestration framework for building stateful agents」(用于构建有状态 Agent 的底层编排框架)。它不是另一个 ReAct 封装,而是把 Agent 的一次完整推理拆成 **State(状态)** + **Node(节点)** + **Edge(边)** 三件套:
- **State**:一个 TypedDict(或 Pydantic 模型),承载当前消息、历史、工具结果、自定义字段
- **Node**:接收 State、返回部分 State 变更的纯函数(可以是 LLM 调用、工具调用、人审节点)
- **Edge**:决定下一个进入哪个 Node,可以是无条件边、条件边(函数判断)或 Send 多播
整个 Agent 跑成一个有向图,LangGraph 在底层用 Pregel 算法(来自 Google 2010 年的论文)做超步(superstep)调度:每轮收集所有活跃节点,执行完做一次状态合并,再决定下一步。
这张图表达的不是「一次 ReAct 循环」,而是「一个可能跨多个用户回合、可能被人介入打断的完整会话」。**Node 的输出会成为下一轮的 State 的一部分,这是它和传统 LangChain Chain 最本质的区别** —— Chain 是单向流,Graph 是会回头、会分叉、会暂停的有状态系统。
二、为什么是「状态机」而不是「工作流」
LangGraph 团队在 2025 年 9 月的 1.0.0a1 发布说明里,直接引用了 HN 上争议最大的那个问题:「Should I Use a Framework to Build an Agent? Code vs. LangGraph vs. Workflows」。他们的回答是:Workflow 是**已知的固定流程**(知道有几步、每步做什么),Agent 是**LLM 在运行时决定下一步**。Workflow 用 DAG 没问题,Agent 必须用更灵活的状态机。
实操上,这一选择带来了三个工程红利:
1. **持久化(Persistence)**:每个 superstep 后 LangGraph 把 State 写进 Checkpointer(SQLite / Postgres / Redis 任选),进程崩溃后可以从上一个 checkpoint 完整恢复。1.0 之后官方把 checkpoint 拆成了独立包 `langgraph-checkpoint`,目前已经迭代到 4.1.1,允许你自定义序列化器。
2. **人审(Human-in-the-Loop)**:任何 Node 都可以配置 `interrupt_before` / `interrupt_after`,触发后状态会被冻结,等人工修改 State 再 resume。这是 1.0 的关键卖点 —— 之前 LangChain 要写大量胶水代码才能实现「让 LLM 先停一下,等运营确认再继续」。
3. **时间穿越调试(Time-Travel Debugging)**:因为所有 superstep 都入了库,你可以从历史任意一个 checkpoint 重新跑后面的部分,改一行 prompt 立刻看到差异。
三、生产部署的「Durable Execution」承诺
1.0 的另一大变化是引入了 **Durable Execution** 的承诺:即便底层 LLM Provider 临时挂掉、即便你的 worker 进程被 SIGKILL,只要 checkpointer 数据还在,Agent 就能从上次成功的 superstep 继续。
这是和 Temporal、AWS Step Functions 同级别的「长任务保证」,但 API 形态更贴合 Agent 场景 —— 不用写 Workflow 描述文件,直接用 Python 函数定义 Node,框架帮你做调度。Qodo 在 2025 年底发的工程博客《We chose LangGraph to build our coding agent》里专门讲了这个 trade-off:他们从 LangChain Chain 迁过来,就是为了「让我们的 coding agent 在 SIGKILL 后能从上一次成功的工具调用继续,而不是从头跑」。
四、当前生态位:37,596 颗星背后的真实分布
截至 2026-07-19,LangGraph 在 GitHub 的状态:
- **Stars**:37,596
- **Forks**:6,307
- **License**:MIT
- **主仓最新 release**:1.2.9(2026-07-10)
- **Topics**:agents / ai-agents / langchain / multiagent / rag / pydantic 等
依赖它的项目包括:
- **Deep Agents**(同团队 26,488 stars):README 直接说「batteries-included agent harness」,把 LangGraph 当内核,封装好文件系统、子 Agent、规划能力
- **langgraphjs**(3,122 stars):JS/TS 版,API 形态一致
- **LangManus**(HN 127 points):社区版 Manus 复刻,用 LangChain + LangGraph 拼出通用 Agent
- **langmem**(1,567 stars):专门做 Agent 长期记忆的研究型项目
- **fast-langgraph**:第三方 Rust + PyO3 实现,号称把 checkpoint 写入性能提升 737 倍
README 顶部的「Trusted by」名单里,出现的是 Klarna、Replit、Elastic 这三家 —— 一家做支付 + 客服、一家做在线 IDE、一家做搜索 + 可观测,说明 LangGraph 已经被**真正不同的业务场景**采用,不只是 AI 圈内自嗨。
五、关键点
- **状态图不等于 DAG**:LangGraph 真正的设计选择是用状态机建模 Agent,允许任意 Node 在任意 superstep 重新被激活,这与 LangChain Chain 的单向流在工程上有本质差异
- **Checkpoint 是一等公民**:1.0 把持久化从附加功能升级为框架核心能力,Postgres / SQLite / Redis 都是一等支持,且支持自定义序列化器
- **Human-in-the-loop 是配置项不是胶水代码**:`interrupt_before` / `interrupt_after` 两个参数解决了之前 LangChain 里大量重复的「等运营确认」胶水代码
- **Durable Execution 走的是 Pregel 模型**:底层沿用 Google 2010 年图的并行图计算模型,与 Temporal 的事件溯源思路不同,但对 LLM 长任务的适配性更好
- **Deep Agents 是分层策略的产物**:LangChain 团队把 LangGraph 当内核,自己又包了一层「开箱即用」的 Deep Agents,典型的小核心 + 大生态打法
六、行业影响
LangGraph 的 1.0 实际上重新定义了「Agent 框架」的最低标准。在它之前,主流 Agent 框架要么是 LangChain Chain(单向流,无状态)、要么是 AutoGen 的对话循环(状态在消息历史里,不好做持久化);在它之后,任何想进入生产场景的 Agent 框架都不得不回答两个问题:「你怎么处理长跑崩溃?」「你怎么让人审介入?」。
这个标准化的副作用是上层应用的爆发。HN 上 2025-2026 年讨论度最高的几个 Agent 项目 —— Agent-contracts(基于 LangGraph 的契约式 Agent)、LangGraph Engineer(自动生成 LangGraph 代码的 Agent)、fast-langgraph(性能优化版) —— 都把 LangGraph 当作一个稳定底座来构建。这与 PyTorch 在深度学习里的位置演变相似:底层框架收敛,上层创新加速。
对创业团队来说,选 LangGraph 实质上是选了一个**有商业支持、有大客户背书、有持续维护**的中间路径 —— 不用自己写 Agent runtime,但又能避开 LangChain 抽象过粗的问题。
七、结语
LangGraph 1.0 不是技术上的「突破」,它是工程上的「收口」。把 Agent 跑成状态机这个想法并不新鲜(其实从 2024 年的 ReAct 论文开始就在酝酿),但只有 LangChain 团队把它做成了一个**有完整 checkpoint 体系、有人审机制、有部署平台**的生产级框架。九个月从 1.0.0 到 1.2.9 的迭代节奏(平均每月一个小版本),加上 Klarna、Replit、Elastic 这类跨行业客户的引用,让它从「又一个 LangChain 子项目」变成了 Agent 工程的事实标准之一。
如果 2026 年下半年你要上线一个真实业务的 Agent,LangGraph 是少数几个值得严肃评估的选项 —— 不是因为它最优雅,而是因为它**最难被淘汰**。
参考资料
**官方文档**
- LangGraph README(blob API,6,351 字节) [200] - 2026-07-19
- LangGraph OSS 文档总览 [200] - 持续维护
- LangChain Blog 主页 [200] - 持续更新
- LangGraph Durable Execution 文档 [200] - 1.0 核心特性
**开源项目**
- langchain-ai/langgraph [200] - 37,596 stars,2026-07-10 1.2.9
- langchain-ai/deepagents [200] - 26,488 stars,基于 LangGraph 的高层封装
- langchain-ai/langgraphjs [200] - 3,122 stars,JS/TS 版
- langchain-ai/langmem [200] - 1,567 stars,长期记忆研究
- dagworks-inc/burr [200] - 2,483 stars,另一个状态机 Agent 框架,可作横向对比
**行业报道**
- Qodo:We chose LangGraph to build our coding agent [200] - 2025-12,HN 83 points
- Qodo:Building Agentic Flows with LangGraph and Model Context Protocol [200] - HN 18 points
**社区讨论**
- HN:Should I Use a Framework to Build an Agent? Code vs. LangGraph vs. Workflows [200] - 21 points,LangGraph 1.0 核心争议
- HN 搜索 langgraph 关键词 [200] - 持续聚合
- 掘金搜索 langgraph [200] - 国内社区聚合
**对比基准**
- arXiv 2406.04104 LangGraph 相关论文参考 [200] - 学术参考
**本文由 AI 生成**。内容基于公开资料整理,可能存在事实偏差,引用链接请以原始来源为准。