随着大模型的快速发展，构建智能体已成为大模型应用最基本的能力了，然而，单智能体在处理复杂、多步骤任务时往往存在局限性。为了应对这一挑战，多智能体系统应运而生，它通过多个智能体协同工作的方式，将复杂任务分解为多个子任务，由不同的智能体分别处理，最终合并结果并返回。LangGraph作为LangChain生态系统的重要扩展，通过引入有向图模型重构了传统智能体的工作流架构，将复杂的多步骤交互和决策过程模块化，是目前主流的多智能体集成框架之一。
01
LangGraph概述
1.1 什么是LangGraph
LangGraph 是LangChain 生态的一部分，专门用于构建基于大模型（LLM）的复杂、有状态、多智能体应用的框架，核心思想是将应用的工作流程抽象为一个有向图结构，通过节点和边来定义任务的执行步骤和逻辑流，从而提供了远超传统线性链式调用的灵活性和控制力。相比传统的线性执行模式，LangGraph 支持条件分支、循环、并行等复杂控制流，能够实现状态持久化、断点续跑、时间旅行、人机协作等高级功能，并提供了多智能体协作、层级架构等多种架构模式。在实际应用中，LangGraph已成功应用于智能客服、自动化运维、研究 Agent 等场景，展现出卓越的适应性和扩展性。
LangGraph在Github上的热度变化