lang: zh slug: langgraph-stateful-agent-orchestration-2026 title: ‘LangGraph 1.2 投入生产’ description: ‘LangGraph 是一个低级编排框架，适用于长期运行、有状态的 AI 代理。 32.6k GitHub star，v1.2.1。 真实的部署指南，涵盖图形设计、持久执行、人机循环检查点、LangSmith 调试以及 LangGraph 何时击败 CrewAI / AutoGen / 纯 LangChain。’ tags: [“ai-agent”, “automation”, “guide”, “open-source”, “reference”, “tutorial”] date: 2026-05-21 00:00:00+08:00 lastmod: 2026-05-21 00:00:00+08:00 tech_stack:

• Python
• TypeScript
• PostgreSQL
• Redis application_domain: Llm Frameworks source_version: ‘1.2.1’ licensing_model: Open Source license_type: MIT file_size: ’' file_md5: ’' download_url: ’' backup_url: ’' github_repo: ‘https://github.com/langchain-ai/langgraph' last_maintained: ‘2026-05-21’ draft: false categories: [’llm-frameworks’] aliases:
• /posts/langgraph-stateful-agent-orchestration-2026/ faqs:
• q: ‘What is LangGraph and how is it different from LangChain?’ a: ‘LangGraph is the LangChain team’’s low-level orchestration framework for stateful, long-running AI agents, modeled as a graph-based state machine of nodes, edges, and persistent state. Unlike LangChain (which provides composable components like LLM wrappers and tools), LangGraph adds durable execution, human-in-the-loop, and state tracking as first-class features, and it complements rather than replaces LangChain since many LangGraph nodes wrap LangChain components.’
• q: ‘How does LangGraph survive crashes and process restarts?’ a: ‘LangGraph’’s Checkpointer snapshots the workflow state after every node execution, backed by Postgres, Redis, or in-memory storage. If the process crashes, you resume from the last checkpoint using a thread_id and checkpoint_id instead of restarting from zero, and you can also replay any checkpoint deterministically for debugging.’
• q: ‘When should you choose LangGraph over CrewAI or AutoGen?’ a: ‘Pick LangGraph for stateful, long-running agents that must survive restarts and crashes, where you need maximum control plus the LangChain ecosystem. Choose CrewAI for fast role-based multi-agent demos and AutoGen for conversational group-chat or debate workflows, though Microsoft has shifted AutoGen to maintenance mode and recommends evaluating the Microsoft Agent Framework for new projects.’
• q: ‘How do you add human approval steps to a LangGraph agent?’ a: ‘Use the interrupt function from langgraph.types to mark a node as interruptible: the workflow pauses, surfaces its state to a UI, waits for human input, then resumes. This is the recommended pattern for irreversible actions like sending email or charging cards, where running without a human-in-the-loop checkpoint risks the agent eventually doing something harmful.’
• q: ‘What are the most common mistakes when starting with LangGraph?’ a: ‘The top pitfalls are: creating too many fine-grained nodes (each node is a checkpoint write, so 50-node graphs run slowly), forgetting reducers (state updates without a reducer get replaced rather than merged), skipping interrupt for irreversible write actions, not wiring up LangSmith from day one, and treating state as a database instead of keeping it lean by referencing large objects by ID.’ featureImage: /images/articles/resources-llm-frameworks-langgraph-stateful-agent-orchestration-2026.jpg——如果您构建了一个简单的 LLM 代理，并发现它在进程重新启动时忘记了所有内容，在一个工具调用超时时丢失了一半的进度，或者在两个事件同时触发时默默地损坏了状态 — 您就遇到了障碍 LangGraph 旨在突破。LangGraph 是 LangChain 团队的用于有状态、长时间运行的代理的低级编排框架。 LangChain 提供组件（“这是一个 LLM 包装器，这是一个工具，您自己编写它们”），而 CrewAI 提供高级角色抽象（“这是一个‘研究人员’代理和一个‘作家’代理”），而 LangGraph 则介于两者之间：一个基于图的状态机，您可以在其中显式地建模节点（函数/代理）、边（转换）和持久状态。 持久执行+人机循环+状态跟踪是首要考虑的问题，而不是事后的想法。到 2026 年中期，它拥有 32.6k GitHub star 并发布了 v1.2.1，使其成为最流行的框架，专门用于需要承受崩溃、重新启动和多小时运行的生产代理工作流程。

  

  ## 1. LangGraph 实际上是什么（和不是什么）它：基于图形的代理运行时，您可以在其中定义“节点”（Python/TS 函数，通常包含 LLM 调用）、“边缘”（确定性或 LLM 决定的转换）以及在整个工作流程中持续存在的“状态”对象。这不是：
• LangChain 的直接替代品（它补充了 LangChain；许多 LangGraph 节点包装了 LangChain 组件）
• 无代码工具（开发人员优先，Python 或 TypeScript）
• 高级“用自然语言描述代理”工具——这是 CrewAI 的领域心智模型： “代理工作流程 = 显式状态机，而不是隐式对话。” 您绘制图表，LangGraph 运行它。## 2. 为什么“有状态”很重要（LangGraph 修复的错误）如果没有适当的状态管理，三种故障模式会杀死生产代理：1. 工作流程中崩溃 → 代理从零重新启动，重做 30 分钟的工作，丢失任何面向用户的进度

2. 并发工具调用 → 状态突变不可预测地交错，代理最终处于无效状态
3. 多小时工作流程 → 进程被云提供商的空闲超时杀死，没有恢复点LangGraph 的“检查点”（由 Postgres、Redis 或内存中支持）在每个节点执行后快照状态。 碰撞？ 从最后一个检查点重新启动。 需要注入人类反馈吗？ 在检查点暂停，修改状态，恢复。 需要调试吗？ 确定性地重播任何检查点。这个错误会让你说“我应该使用 LangGraph”——通常是在尝试使自定义解决方案发挥作用的第 3 周之后。## 3. 快速安装（5 分钟）```` bas h pip install -U langgraph langchain langchain-openai

pip install -U langgraph langgraph-checkpoint-postgres

— 计数最多为 5，具有检查点状态，可在进程重新启动后继续存在：````蟒蛇
从输入导入 TypedDict
从 langgraph.graph 导入 StateGraph，开始，结束
从 langgraph.checkpoint.memory 导入 MemorySaverc```
pytho
n
从输入导入 TypedDict
从 langgraph.graph 导入 StateGraph，开始，结束
从 langgraph.checkpoint.memory 导入 MemorySaver

类状态（TypedDict）：
计数器：整数

def 增量（状态：状态）-> 状态：
返回{“计数器”：状态[“计数器”] + 1}

def should_continue(state: State) -> str:
如果 state["counter"] < 5，则返回“increment”，否则 END

图 = StateGraph(状态)
graph.add_node("增量", 增量)
graph.add_edge(START, "增量")
graph.add_conditional_edges(“增量”，should_continue)

应用程序 = graph.compile(checkpointer=MemorySaver())

# 使用 thread_id 运行以保持状态
config = {“可配置”：{“thread_id”：“demo-1”}}
结果 = app.invoke({"counter": 0}, config=config)
打印（结果）# {'计数器'：5}
``我实际使用### 持久执行（`Checkpointer`）
每个节点返回值都会被快照。 进程死掉？ 从“thread_id”和“checkpoint_id”恢复。 仅此一点就值得对运行时间超过 5 分钟的任何代理采用 LangGraph。### 人在循环（`中断`）
将节点标记为可中断。 工作流程暂停，将状态显示到 UI，等待人工输入，然后恢复。 构建“人工智能提出变更，人类批准”工作流程的唯一明智方法。````蟒蛇
从 langgraph.types 导入中断defapproval_gate(状态):
user_decision = 中断({"propose_action": state["plan"]})
返回{“已批准”：user_decision}
````### 内存层（`add_messages`）
内置短期（线程内）和长期（跨线程）内存。 使用“add_messages”减速器来实现会话状态，或者通过 [AgentMemory MCP](/resources/llm-frameworks/agentmemory-mcp-persistent-memory-2026/) 插入 [mem0](/resources/llm-frameworks/mem0/) 以跨线程进行语义调用。### 朗史密斯集成
每个节点执行、每个状态转换、每个 LLM 调用都会出现在 LangSmith 的跟踪查看器中。 “为什么代理要走那个分支？”的可视化调试 ——对于复杂的图表来说是无价的。## 5. 生产部署模式大多数团队选择的 4 部分模式：````
┌──────────────────────────┐
│ 您的应用程序 / FastAPI │
│ ````蟒蛇
从 langgraph.types 导入中断

defapproval_gate(状态):
user_decision = 中断({"propose_action": state["plan"]})
返回{“已批准”：user_decision}
````────────────┘
│ 检查点写入
▼
┌──────────────────────────┐
│ PostgreSQL │ ← 状态持久性
└──────────────────────────┘
│ 跟踪流
▼
┌──────────────────────────┐
│ LangSmith （或自托管） │ ← 可观察性
└──────────────────────────┘
````标准产品部署：容器化 LangGraph 应用程序，将其指向托管 Postgres 以获取检查点，配置 LangSmith 以获取跟踪。 DigitalOcean App Platform
 适用于无状态层； 对于严重的工作负载，请使用 HTStack Hong Kong VPS
（至少 8 GB）+ DO Managed Postgres 进行低延迟状态写入。## 6. LangGraph vs LangChain vs CrewAI vs AutoGen（何时选择什么）| 需要| 选择|
|---|---|
| 有状态，长r```
┌──────────────────────────┐
│ 您的应用程序 / FastAPI │
│ (LangGraph SDK 或 REST) │
└──────────┬────────────────┘
│
▼
┌──────────────────────────┐
│ LangGraph服务器 │
│ (langgraph 开发/部署) │
└──────────┬────────────────┘
│ 检查点写入
▼
┌──────────────────────────┐
│ PostgreSQL │ ← 状态持久性
└──────────────────────────┘
│ 跟踪流
▼
┌──────────────────────────┐
│ LangSmith （或自托管） │ ← 可观察性
└──────────────────────────┘
```控制，CrewAI 在首次演示时间上获胜，AutoGen 在多代理对话上获胜**（但正在转型中）。 对于任何需要在部署或崩溃中幸存下来的东西，LangGraph 是默认选择。## 7. 现实世界用例（LangGraph 的亮点）**客户支持自动化**：多轮工单会因人为升级而暂停，将上下文保留数天，并在客户回复时无缝恢复。**代码代理（长时间运行）**：跨数十个文件重构代码库的代理，每个文件后都有检查点，因此崩溃不会损失 4 小时的工作。 与我们的自托管 AI 编码工作流程配对以获得完整堆栈。**研究/报告生成**：多步骤研究工作流程（搜索→提取→综合→写入），每个阶段都会产生持久的工件。 故障在最后一个良好的检查点恢复。**人工批准的工作流程自动化**：人工智能计划操作，系统在“中断”时暂停，向用户显示计划，仅在批准后恢复。**多租户代理产品**：每个客户都会获得一个`thread_id`，状态完全隔离，您可以重播任何客户的会话进行调试。## 8. 陷阱（第三天你会遇到的事情）1. **设计太多细粒度节点** — 每个节点=一个检查点写入。 50 节点图运行缓慢。 将相关操作合并到单个节点中
2. **忘记减速器** - 没有减速器的状态更新被*替换*，而不是*合并*。 新用户的错误来源#1
3. **跳过写入操作的“中断”**——在没有人机循环检查点的情况下采取不可逆操作（发送电子邮件、充电卡）的代理最终会做坏事
4. **从第一天起就不再使用 LangSmith** — 从 print 语句中调试 20 节点图是很痛苦的。 在出现问题之前连接 LangSmith
5. **将 LangGraph 状态视为一个免费的数据库** — 保持状态精简。 通过 ID 引用大对象，将实际的 blob 存储在 S3 / Postgres 中## 9. 迁移：LangChain Agent → LangGraph如果您有一个正在运行的 LangChain `AgentExecutor` 或 `create_react_agent` 管道，则迁移到 LangGraph 是机械的：1.定义你的状态TypedDict（镜像你当前在步骤之间传递的内容）
2. 将每个 LangChain 工具/步骤包装为 LangGraph 节点
3.添加`Checkpointer`（从`MemorySaver`开始，稍后切换到Postgres）
4. 添加边以对之前隐含在 LangChain 代码中的控制流进行建模回报：持久执行 + 人机交互 + 重放调试，并且大多数 LangChain 组件都保持不变。## 10. 何时不使用 LangGraph- **无状态单轮 LLM 调用** — 太过分了，只需使用 LLM SDK
- **简单的 RAG（检索 → 答案）** — LangChain 的 `RetrievalQA` 链就是一行，很好
- **纯对话式聊天机器人** — LangChain + 消息存储更简单
- **团队的 Python 经验为零** — CrewAI 基于角色的抽象更平易近人## 长篇大论；博士LangGraph = **基于图的有状态代理运行时**，适用于需要承受崩溃、支持人工检查点并运行数小时的生产工作负载。 32.6k 星，v1.2.1，麻省理工学院。 与 LangChain（您可能已经使用过）自然配对。 当您需要控制时，请选择它，而不是 CrewAI；当您需要耐用性时，请选择单独的 LangChain；对于多代理对话之外的任何事情，请选择 AutoGen。使用 Postgres 启动一个 DigitalOcean Droplet
，运行第 3 节中的示例，您就会明白为什么在生产中运行真实代理的团队会被吸引到这里。---*想要在更大的背景下查看 LangGraph？ 请参阅我们的 [AI Agent 工具链集合](/collections/)，了解它如何与 MCP 服务器、AgentMemory 和代码执行沙箱配合使用 - 即将推出。*<!--自动引用-->
## 参考文献和来源- [LangGraph](https://github.com/langchain-ai/langgraph)
- [LangChain](https://github.com/langchain-ai/langchain)
- [CrewAI](https://github.com/crewAIInc/crewAI)
- [AutoGen](https://github.com/microsoft/autogen)
- [mem0](https://github.com/mem0ai/mem0)