用 LangGraph 构建多步骤 Agent
状态机思维：让 Agent 像工作流一样可控
返回教程列表维度 ReAct Agent LangGraph 控制流 模型自主决定 开发者定义图结构 可调试性 难以追踪 每步骤状态可见 循环支持 有限 原生支持 人工干预 不支持 内置 Interrupt 生产可用 一般 推荐 State（状态）：Agent 的记忆，贯穿整个执行过程
Node（节点）：执行具体工作的函数
Edge（边）：节点间的连接，可以是条件跳转
Graph（图）：所有节点和边的集合 状态不可变：每个节点返回新状态，不直接修改
节点单一职责：每个节点只做一件事
条件边用枚举：返回字符串 key，避免拼写错误
持久化检查点：生产环境使用 PostgresSaver 而非 MemorySaver
高级约 35 分钟
用 LangGraph 构建多步骤 Agent
状态机思维：让 Agent 像工作流一样可控
LangGraph 是 LangChain 团队推出的 Agent 编排框架，用图（DAG）的方式组织 Agent 逻辑，支持循环、条件分支、状态持久化和人工干预点。相比 ReAct Agent，LangGraph 的行为更可预测、更易调试，是生产级 Agent 开发的首选。
LangGraphAgentPython状态机可控AI
用 LangGraph 构建多步骤 Agent
LangGraph vs ReAct Agent
核心概念
安装
bash
pip install langgraph langchain-anthropic
最佳实践
相关工具
LangGraphClaudebrave-search