## 概述

LangGraph 是 LangChain 团队打造的开源 AI Agent 编排运行时。和主打 "单体自进化" 的 Hermes 不同，LangGraph 不替你决定智能体该怎么思考 —— 它给你一套图原语，让你自己把节点、边、状态拼出来。
大多数 Agent 框架要么把流程写死在代码里，要么完全交给 LLM 自由发挥。LangGraph 卡在中间：**结构你定，路由模型定，状态系统自动管**。
它最核心的设计哲学是：**把每一步执行后的状态快照存下来**。这不是事后补的持久化，而是从第一天就嵌在执行循环里的一等公民。有了快照，崩溃恢复、人工审批、时间旅行调试、跨会话记忆，全都是同一套机制的不同用法。
本文把这套运行时拆开讲：状态图模型、super-step 执行循环、reducer 合并、检查点持久化、thread 隔离、人机协作 interrupt、多智能体 Supervisor 编排、子图组合、流式输出、长期记忆层，以及什么时候该用、什么时候别用。
## 执行循环：Super-Step 模型

### 节点与边

LangGraph 的最小单元是**节点（Node）**—— 就是一个普通 Python 函数，吃当前状态，吐一个 partial update。边（Edge）定义节点之间的跳转：固定边写死路由，条件边让函数根据状态决定下一步去哪。

```Python
from langgraph.graph import StateGraph, START, END
from typing_extensions import TypedDict

class AgentState(TypedDict):
    messages: list
    next: str

builder = StateGraph(AgentState)
builder.add_node("researcher", research_node)
builder.add_node("coder", code_node)
builder.add_node("reviewer", review_node)

builder.add_edge(START, "researcher")
builder.add_conditional_edges("researcher", route_after_research)

graph = builder.compile()
```

关键在于：**节点本身不知道自己在图里的位置**。它只管读状态、写状态，路由由边负责。这意味着节点可以随意重组，不用改内部逻辑 —— 今天是研究→编码→审查，明天改成研究→审查→编码，节点代码一行不动。
### Super-Step：一步一存

图的执行不是连续跑到底，而是按 **super-step** 推进：每一步执行所有 "就绪" 的节点，收集它们的写操作，合并成一个新状态，然后把这个状态作为一个检查点持久化。
这就是 LangGraph 和普通 "函数串函数" 的本质区别 ——**每一步之间都有一个安全落点**。进程崩了、部署重启了、Pod 被驱逐了，下一次从最近的检查点接着跑，而不是从头再来。中间轮次的待写入操作（pending writes）也会被记录，即使在一个步骤中途崩了，也能恢复到那一步的精确位置。
## 状态系统：Schema、Reducer 与不可变更新

### State Schema

状态是一个字典式对象，通过 TypedDict 或 Pydantic 声明 schema。每个节点接收当前完整状态，返回一个 partial dict——**只写自己关心的字段**，不用把整个状态重写一遍。
默认行为是覆盖（overwrite）：你返回什么，这个字段就变成什么。但有些字段不能这么干 —— 比如消息历史，你不可能每次把之前所有消息重写一遍。这时候就需要 **reducer**。
### Reducer：合并而非替换

Reducer 是一个函数，定义 "新值怎么并入旧值"。最常见的就是 add_messages：
```Python
from langgraph.graph.message import add_messages
from typing_extensions import Annotated

class AgentState(TypedDict):
    messages: Annotated[list, add_messages]  # 追加，不是覆盖
    iteration: int                           # 默认覆盖
```

没有 reducer 的字段，节点返回新值直接替换；有 reducer 的字段，新值过一遍 reducer 函数再合并。这个设计看着简单，但它是整个并发安全的基础 —— 多个节点同时写不同字段时，冲突不会发生；写同一字段时，reducer 决定合并语义。
### 不可变性

每次更新状态都会产生一个新的状态快照，而不是在原对象上改。这就是为什么检查点能成立：状态不可变，快照就是安全的。你可以随时回到任意历史快照，图从那个点重新跑，不会污染后续状态。
## 检查点与持久化

### Checkpointer：可插拔的存储后端

compile() 时传入一个 checkpointer，图就自动获得持久化能力：
- **MemorySaver**：进程内存里存，开发调试用，重启即丢

- **SqliteSaver**：本地文件级，单机开发够用

- **PostgresSaver**：生产推荐，支持多实例、并发、WAL 模式

每个 super-step 结束，图的状态被序列化存入对应后端，按 **thread_id** 组织。
### Thread：一次对话的身份证

调用图时必须在 config 里指定 thread_id：
```python
config = {"configurable": {"thread_id": "user-123-session-456"}}
graph.invoke({"messages": [...]}, config)
```
同一个 thread_id 下，所有检查点串成一条历史线。不同 thread_id 之间完全隔离 —— 你可以把 thread_id 理解为 "会话 ID"，一个用户多个会话就是多个线程。
这一层负责**短期工作记忆**：当前任务进行到哪一步、中间产物是什么。
### Time Travel：回到过去重跑

因为每步都有快照，LangGraph 天然支持 "时间旅行"：
```python
# 列出当前线程的所有历史检查点
history = list(graph.get_state_history(config))

# 回到三步之前，从那个点重新执行
graph.invoke(None, config={"configurable": {
    "thread_id": "...",
    "checkpoint_id": history[3].config["configurable"]["checkpoint_id"]
}})
```

这不是调试插件，是检查点机制的免费赠品。线上出了问题，找到出错前的那个快照，改一下输入或者改个节点，从那个点重跑 —— 不用复现整个前置流程。
## 人机协作：Interrupt 与 Resume

### 为什么需要 interrupt

Agent 自己跑完全程听着很爽，但很多场景不允许：发邮件前要人确认、转账前要人审批、删数据前要人过目。LangGraph 的做法不是在图外面包一层审核逻辑，而是**在图执行里直接塞一个暂停点**。
### interrupt () 原语

```python
from langgraph.types import interrupt, Command

def review_node(state):
    draft = state["draft_email"]
    # 暂停执行，把 draft 抛给外部
    human_feedback = interrupt({
        "action": "review_email",
        "draft": draft
    })
    # 人回复后，human_feedback 就是人给的结果
    if human_feedback["approved"]:
        return Command(goto="send_email")
    else:
        return Command(goto="rewrite")
```
图执行到 interrupt() 就停住，当前状态连同 payload 一起存进检查点。你把 payload 推到前端、微信、审批系统都行，人回复后用 Command(resume=...) 把结果喂回去，图从暂停点继续跑。
关键设计：**interrupt 不是异常，不是回调，它就是图的一个普通节点**。暂停时状态已经持久化，服务重启了也没关系 —— 下次 resume 从检查点恢复，人该批的还是在那个位置。
### 审批流的几种姿势

最常见的三种：
1. **审批后继续**：interrupt 等一个 approve/reject，approve 走下一步，reject 回退

1. **编辑后继续**：interrupt 把内容抛出去，人改完再传回来

1. **无条件人工环节**：跑到某个节点必停，人看完才能走

三种都是同一套机制，区别只在 resume 时传什么。
## 多智能体编排：Supervisor 与 Subgraph

### Supervisor 模式

生产里最成熟的多智能体方案：一个 Supervisor 节点当调度中枢，读当前状态，决定派哪个 specialist 上。每个 specialist 有自己的系统提示词、工具集、模型配置，干完活把结果写回共享状态，控制权交回 Supervisor。

```text
Supervisor
    |
    +-- Researcher Agent
    +-- Coder Agent
    +-- Reviewer Agent
    +-- Ops Agent
```
Supervisor 不是什么重型调度器，它就是一次 LLM 调用：输入当前状态，输出 "下一步派谁"。专业活交给专业 agent，决策交给 Supervisor。
### 层级化：Manager-Worker

任务更复杂时，可以套娃：Supervisor 下面再分一个子 Supervisor，子 Supervisor 管一组 specialist。LangGraph 不限制层级深度，只要图连得通。
### Subgraph：可组合的子图

把一组节点封装成子图，主图里当一个节点用。子图有自己的 state schema，和父图之间通过输入输出映射对接。
持久化有两种模式：
- **每次调用独立**（默认）：子图不单独存历史，跟着父图的检查点走

- **每线程累积**：子图有自己的 checkpointer，跨调用保留状态 —— 适合 "这个子 agent 有长期记忆" 的场景

子图的价值不是封装代码，而是**让团队并行开发**：A 组负责研究子图，B 组负责代码子图，只要输入输出 schema 对齐，内部实现随便改。
## 流式输出

Agent 应用最怕的就是点了 "运行" 然后转圈圈三十秒。LangGraph 从设计上就是流式的：
- **token 级流**：LLM 生成的每个 token 实时推给前端

- **节点级流**：每个节点开始 / 结束都有事件

- **自定义流**：节点里可以手动 get_stream_writer() 推任意中间事件

这三种流可以同时开。前端可以一边打字机式显示模型输出，一边在侧边栏渲染 "正在调用搜索工具" 的状态条，不用等整个图跑完。
## 长期记忆：短期之外

检查点解决的是 "当前任务" 的记忆。跨会话的长期偏好、用户画像，LangGraph 用 **Store** 原语解决：
- Checkpointer 管 "这个 thread 跑到哪了"（短期工作记忆）

- Store 管 "这个用户是谁、喜欢什么"（长期持久记忆）

Store 按 namespace 组织，通常是 (user_id, ...)。节点执行时可以读 Store，也可以写。和 checkpointer 一样，后端可插拔 —— 开发用内存，生产用 Postgres/Redis。
两层记忆分开存，和 Hermes 的思路异曲同工：**工作记忆和长期记忆不混在一起**。
## 部署与运行时

### 本地开发到生产

LangGraph 本身是个库，你可以把它嵌进 FastAPI、Django、任何 Python 服务。生产环境配套的 **LangGraph Server** 提供：
- 多线程会话管理

- 持久化 Postgres 后端

- 定时任务（cron 触发图执行）

- 流式 API 端点

- 与 LangSmith 集成的追踪和调试

### 可观测性

LangSmith 是 LangGraph 的官方观测层：每个节点的输入输出、每个 LLM 调用的 token 数和耗时、每次工具调用的参数和结果，全链路可视化。线上哪个节点慢、哪个工具报错、哪个分支走得多，一眼看到。
### 扩展点

不想被框架锁死？LangGraph 提供几处扩展钩子：
- **自定义节点执行器**：在节点前后插日志、监控、重试

- **自定义 checkpointer**：把状态存进你自己的存储

- **Command 返回值**：一个节点返回里同时携带状态更新、动态路由（goto=）和人工 resume（resume=），不用在多个地方分散控制

## 对比 Hermes：单体自进化 vs 图编排

Hermes 给你的是一个**开箱即用的智能体**：它自己决定记什么、自己生成技能、自己进化。你接个 Telegram 就能用，越用越懂你。
LangGraph 给你的是一套**搭智能体的积木**：你自己设计流程结构、自己定义状态 schema、自己决定哪里加人工审批、自己选模型和工具。它不替你做产品决策。
打个比方：Hermes 是一辆调校好的整车，你坐上就走；LangGraph 是底盘和发动机，你想造跑车还是卡车自己决定。
选型很简单：
- 要一个**马上能用的个人助理**，任务相对开放、需要长期积累 ——Hermes 更合适

- 要搭一个**有明确业务流程的生产系统**，需要人工审批、多部门协作、审计追溯 ——LangGraph 更合适

## 什么时候别用 LangGraph

它不是银弹。如果你的需求是：
- 单轮 LLM 调用，没有工具、没有多步

- 固定流程，几个函数顺序执行，不需要循环和条件路由

- 原型验证阶段，还没想清楚流程长什么样

那 LangGraph 就是杀鸡用牛刀。直接调 API 就完了。
## 总结

LangGraph 的核心设计就一句话：**把状态快照变成一等公民，然后在此之上长出持久化、人工审批、时间旅行、多智能体编排这些能力**。
Super-step 执行、reducer 合并、checkpoint 持久化、interrupt 暂停、thread 隔离、Store 长期记忆 —— 每一块都不花哨，但组合在一起就是一个能扛生产负载的 Agent 运行时。
它不替你决定智能体该怎么思考，这既是优点也是缺点：你保留了全部控制权，但也得自己承担设计流程的责任。
如果你在搭的是一个**需要长期运行、需要人工兜底、需要审计追溯**的 Agent 系统，LangGraph 是目前开源生态里最扎实的选择。如果你只是想玩一个聪明的聊天机器人，那它确实重了点。
最终选哪条路，完全看你到底想造什么。





LangGraph 是 LangChain 团队打造的开源 AI Agent 编排运行时。和主打 "单体自进化" 的 Hermes 不同，LangGraph 不替你决定智能体该怎么思考 —— 它给你一套图原语，让你自己把节点、边、状态拼出来。大多数 Agent 框架要么把流程写死在代码里，要么完全交给 LLM 自由发挥。LangGraph 卡在中间：结构你定，路由模型定，状态系统自动管。它最核心的设计哲学是：把每一步执行后的状态快照存下来。这不是事后补的持久化，而是从第一天就嵌在执行循环里的一等公民。有了快照，崩溃恢复、人工审批、时间旅行调试、跨会话记忆，全都是同一套机制的不同用法。本文把这套运行时拆开讲：状态图模型、super-step 执行循环、reducer 合并、检查点持久化、thread 隔离、人机协作 interrupt、多智能体 Supervisor 编排、子图组合、流式输出、长期记忆层，以及什么时候该用、什么时候别用。

# LangGraph 架构全解：图编排运行时的状态检查点与持久化设计

LangGraph 是 LangChain 团队打造的开源 AI Agent 编排运行时。和主打"单体自进化"的 Hermes 不同，LangGraph 不替你决定智能体该怎么思考——它给你一套图原语，让你自己把节点、边、状态拼出来。大多数 Agent 框架要么把流程写死在代码里，要么完全交给 LLM 自由发挥。LangGraph 卡在中间：结构你定，路由模型定，状态系统自动管。它最核心的设计哲学

人工智能

架构设计

开发工具

LangGraph是LangChain开源的多智能体编排框架，基于图状态模型与Super-Step执行循环，将检查点持久化、人工审批、时间旅行、多智能体编排等能力统一。它不决定智能体如何思考，而是通过节点、边、Reducer及interrupt机制，让开发者自定义流程结构，适合需审计追溯、人工兜底的生产级Agent系统。

聊天机器人

代码解释

人机协作

LangChain

LangGraph

智能体

Python

Django

路由

Redis

Agent

2026上云采购 | AI焕新·智启新局

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

LangGraph是LangChain开源的多智能体编排框架，基于图状态模型与Super-Step执行循环，将检查点持久化、人工审批、时间旅行、多智能体编排等能力统一。它不决定智能体如何思考，而是通过节点、边、Reducer及interrupt机制，让开发者自定义流程结构，适合需审计追溯、人工兜底的生产级Agent系统...

# LangGraph 架构全解：图编排运行时的状态检查点与持久化设计-腾讯云开发者社区-腾讯云

# LangGraph 架构全解：图编排运行时的状态检查点与持久化设计

# LangGraph 架构全解：图编排运行时的状态检查点与持久化设计

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐