作为一个后端开发者，刚接触 AI Agent 的时候，我一直有个疑问：
大模型能理解问题，但复杂业务流程怎么控制？

比如：

用户提问 → 查询知识库 → 判断是否命中 → 调接口 → 汇总结果 → 返回答案
多步骤审批建议
多 Agent 协同执行任务

如果只是简单聊天，直接调用大模型 API 就够了。但一旦进入复杂业务流程，传统 Prompt 已经不太够用了。

于是，我开始接触一个专门做 AI 工作流编排 的框架 —— LangGraph。

本文从 0 开始，带你快速理解 LangGraph 是什么、解决什么问题，以及如何跑通第一个 AI 工作流。

一、什么是 LangGraph？

LangGraph 是一个基于图（Graph）的 AI Agent 工作流框架，它由 LangChain 团队推出。

简单理解：

LangChain 负责“能力”，LangGraph 负责“流程”。

如果把 AI Agent 比作员工：

LLM（大模型） → 员工的大脑
LangChain → 员工会用的工具
LangGraph → 员工的工作流程

比如：

一个客服 AI：

用户问题
   ↓
意图识别
   ↓
知识库查询
   ↓
是否命中？
 ┌──────┴──────┐
命中          未命中
 ↓             ↓
回答用户     调用搜索
 └──────┬──────┘
        ↓
     输出结果

这个流程，就是 LangGraph 擅长的事情。

二、为什么需要 LangGraph？

很多人一开始会想：

“直接写 if else 不就行了？”

确实可以。

但问题是：

当业务越来越复杂时：

if (命中知识库) {
    if (需要接口调用) {
        if (权限允许) {
            ...
        }
    }
}

最后代码会变成“面条代码”。

而 LangGraph 的思路是：

把流程抽象成图结构。

每个步骤是一个节点（Node），节点之间的跳转是边（Edge）。

这样：

更容易维护
更适合复杂流程
更适合多 Agent 协作
更容易加入人工审核

特别适合：

AI 知识库
智能审批
智能客服
数据分析助手
企业流程自动化

三、LangGraph 的核心概念

学 LangGraph，先记住 4 个核心概念。

1. State（状态）

State 可以理解成：

流程中的共享数据

类似 Java 里的上下文对象。

例如：

class State(TypedDict):
    question: str
    answer: str

意思是：

流程中始终共享：

用户问题
AI 回复

流程里的每个节点，都可以修改 State。

类似：

Map<String,Object> context

或者：

RequestContext

2. Node（节点）

Node 就是：

执行某个动作的方法

比如：

调用大模型
查询数据库
调接口
判断逻辑

示例：

def chatbot(state):
    return {
        "answer": llm.invoke(state["question"])
    }

这里：

chatbot 就是一个节点。

作用：

根据问题生成答案。

3. Edge（边）

Edge 表示：

流程执行路径

例如：

A → B → C

表示：

先执行 A，再执行 B，再执行 C。

代码：

graph.add_edge("chat", END)

意思：

执行完 chat 后结束。

4. Conditional Edge（条件边）

条件边是：

根据结果动态决定走向

例如：

知识库命中：

查询知识库
     ↓
是否命中？
   /    \
 是      否
 ↓        ↓
直接回答  搜索网络

代码：

graph.add_conditional_edges(
    "search",
    route
)

类似：

switch(type)

但更灵活。

四、第一个 LangGraph 示例

下面写一个最简单的聊天流程。

安装依赖

先安装：

pip install langgraph
pip install langchain-openai

编写代码

from typing import TypedDict
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-4o-mini"
)

class State(TypedDict):
    question: str
    answer: str

def chatbot(state):
    response = llm.invoke(state["question"])

    return {
        "answer": response.content
    }

graph = StateGraph(State)

graph.add_node("chatbot", chatbot)

graph.set_entry_point("chatbot")

graph.add_edge("chatbot", END)

app = graph.compile()

result = app.invoke({
    "question": "什么是LangGraph？"
})

print(result)

输出：

{
   'question': '什么是LangGraph？',
   'answer': 'LangGraph 是一个 AI 工作流框架...'
}

五、代码执行流程解析

第一次看可能有点懵。

其实流程特别简单：

用户输入问题
      ↓
进入 chatbot 节点
      ↓
调用大模型
      ↓
更新 state
      ↓
结束

对应代码：

graph.set_entry_point("chatbot")

入口节点：

chatbot

然后：

graph.add_edge(
    "chatbot",
    END
)

执行完成直接结束。

所以：

整个 Graph：

START
   ↓
chatbot
   ↓
END

六、LangGraph 和 LangChain 的区别

很多人会混淆。

一句话：

LangChain 是工具链，LangGraph 是工作流。

区别：

对比项	LangChain	LangGraph
定位	AI 工具调用	AI 流程编排
适合	简单链式调用	复杂业务流程
是否支持循环	一般	支持
多 Agent	一般	强
状态管理	较弱	强

如果只是：

用户问题 → 大模型 → 输出

LangChain 足够。

但如果：

用户问题
   ↓
知识库
   ↓
判断
   ↓
搜索
   ↓
人工审核
   ↓
最终输出

建议：

用 LangGraph。

七、适合哪些项目？

我觉得特别适合下面几类系统：

1. 企业知识库问答

例如：

员工问：

出差报销流程是什么？

流程：

提问
 ↓
知识库检索
 ↓
是否命中
 ↓
答案返回

2. 智能审批助手

比如：

合同审批：

读取合同
 ↓
风险分析
 ↓
是否异常
 ↓
人工确认
 ↓
审批建议

这种和企业 OA、PDM 系统很搭。

3. 多 Agent 协同

例如：

规划 Agent
 ↓
代码 Agent
 ↓
测试 Agent
 ↓
总结 Agent

多个 AI 协同完成任务。

八、学习建议

如果你刚开始学：

建议路线：

第一步：先理解 Graph 思维

不要急着写复杂 Agent。

先搞懂：

Node
Edge
State

知道流程怎么跑。

第二步：写简单工作流

例如：

输入
 ↓
分类
 ↓
回答

第三步：接知识库

RAG + LangGraph。

第四步：接业务系统

比如：

数据库
REST API
企业流程

真正做业务闭环。

九、总结

一句话总结：

LangGraph 本质上是“给 AI 加流程控制”。

它让大模型不只是聊天，而是：

按规则完成复杂任务。

如果你做的是：

AI 知识库
企业系统
智能审批
多步骤业务流程

那么 LangGraph 值得认真学习。

对于后端开发者来说，可以把它理解成：

“AI 世界里的流程引擎。”

下一篇准备继续研究：

如何用 LangGraph 做一个简单的知识库问答 Agent。

LangGraph 入门学习：从 0 开始理解 AI 工作流编排