一文带你看懂LangGraph是什么

最近，我总在各种 AI 讨论里看到 LangGraph。点开解释，迎面就是“编排框架”“有状态”“多智能体”等术语。每个词都认识，合在一起还是不知道它到底在干什么。

弄明白后我发现，它做的事其实很像给 AI 安排工作流程。理解这套方法，也就容易看清 AI 怎样从聊天工具变成能执行任务的系统。下面尽量不用术语。

一、AI 已经不只是在聊天

平时用 AI，我们多数是在聊天：你问一句，它答一句。

但如果任务是“查一下三家供应商的报价，做完对比，整理成表格发给老板”，情况就不同了。AI 得上网搜索、阅读网页、整理数据、生成文件，还要调用邮箱。中途出错，它还得知道退回哪一步重做。

这种能连续执行多个步骤、调用工具，并根据结果决定下一步做什么的 AI，通常叫 Agent，中文是智能体。以前的 AI 主要回答问题，现在的 AI 也开始接手一段完整的工作。LangGraph 管的就是后面这类任务。

二、LangGraph 这个名字是什么意思

Lang 是 Language 的缩写，指大语言模型，也就是 Claude、ChatGPT 这类 AI。Graph 是“图”，这里说的不是图片，而是流程图。

它的思路很直接：把 AI 干活的过程画成一张图。先做什么，下一步去哪，遇到岔路怎样选择，出错后退回哪里，都写进流程。

所以，LangGraph 不是 AI 模型。模型负责理解、判断和生成内容，LangGraph 负责把这些能力安排进一个能运行的流程。把它看成 AI 的调度员就够了。

三、用一次看病理解它

医院的流程很适合解释 LangGraph。一个人先挂号，再到分诊台，由分诊台判断去内科还是外科。之后可能要做检查、看结果、开药；如果指标异常，还要回去复查。

把这套流程换成 LangGraph 的说法：

• 每个科室和窗口都是一个“节点”，也就是具体干活的环节。这个环节可能让 AI 思考，也可能让它上网搜索。
• 科室之间的指引箭头是“边”，它规定当前步骤做完后该去哪里。
• 分诊台的判断是“条件边”。肚子疼去内科，外伤去外科，这就是流程里的岔路口。
• 复查对应“循环”。结果不合格，任务就回到前面的步骤重做。
• 需要主任签字的环节对应“人工审批”。AI 会停下来，等人确认后再继续。

这套类比里，还有一样东西不能漏掉：病历本。

从挂号到取药，你拿的是同一本病历。每个科室都会在上面补充信息，后面的医生也能看到前面写了什么。LangGraph 把这份贯穿全程的数据叫“状态”。每个节点读取它、修改它，再交给下一个节点。

没有状态，AI 每走一步都像重新开始。上一步查到的报价，下一步就忘了，整个任务自然接不起来。LangGraph 介绍里常见的 stateful，也就是“有状态”，说的正是这件事。

四、为什么不能直接让 AI“看着办”

AI 已经很聪明了，为什么还要专门画流程图？把整件事交给它自己处理，不行吗？

可以把它想成请临时工。

方式 A：你请来一个很聪明、但从没在你公司工作过的人，只告诉他“你看着办”。他可能做得不错，也可能搜到一半跑偏，忘记老板要的是表格，抄错一个数字，或者卡在某一步反复打转。你看不到中间过程，出错后也很难定位。

方式 B：你给他一张流程单。先查 A、B、C 三家供应商，这三项可以同时做；接着汇总。如果有一家缺数据，就退回去重查；然后生成表格；最后先交给你确认，得到同意后才能发邮件。

方式 B 就是 LangGraph 在做的事。它把必须固定的步骤和可以由 AI 自己判断的步骤放进同一张图。写内容时可以让模型灵活处理，发邮件这种无法轻易撤回的动作，则可以强制加入人工确认。

模型聪明，不代表整套任务一定可靠。LangGraph 解决的是后一个问题。

五、像游戏存档一样保存进度

LangGraph 还有一个重要能力，叫检查点（Checkpointer）。它很像游戏存档。

假设一个 AI 任务要运行 40 分钟，例如整理一个季度的数据。跑到第 35 分钟时服务器崩了。如果没有存档，前面的工作得全部重来，已经产生的 AI 调用费用也浪费了。

LangGraph 可以在每一步之后保存进度。系统重启后，任务从最近的检查点继续，不必回到开头。

检查点也让多轮对话更自然。你今天和客服机器人聊到一半关掉页面，明天回来时，它还能从存档里找到之前的订单号。

开发者调试时也能“回到过去”。比如回到第 12 步，改完后继续往下跑，不用每次都从第 1 步重新测试。

六、实际案例没有想象中整齐

这套方法听起来合理，实际效果怎样？公开案例里，Klarna 经常被提到。

Klarna 是欧洲最大的先买后付支付公司。它用 LangGraph 驱动 AI 客服助手，为 8500 万活跃用户提供服务，客户问题的解决时间据称缩短了约 80%。按照该公司 CEO 的说法，这个机器人处理了大约三分之二的客户咨询，工作量相当于 853 名全职客服，节省约 6000 万美元。

不过，这个案例还有后续。2025 年，Klarna 又部分撤回了此前的裁员，因为不断有投诉认为机器人处理不好复杂、细微的问题。后来，人们常把这件事当作 AI 客服扩张过快的警示。

我觉得后半段比前面的效率数字更值得留意。流程可以约束 AI 怎样执行任务，却不能自动补上它对复杂问题的理解。工具很强，也不等于它能完全替代人。

Replit 是一个在浏览器里写代码的平台。它的 AI Agent 底层使用 LangGraph 搭建多智能体系统，用户能看到 Agent 的每个动作，从安装依赖到创建文件，过程都能被查看。

Uber 用它搭建了一个智能体网络来自动生成单元测试，据称节省约 21000 个开发工时。

LinkedIn 内部的 SQL Bot 可以把日常语言转成数据库查询语句；它还有一个 AI 招聘官，用于搜寻和匹配候选人。

物业管理软件 AppFolio 改用 LangGraph 后，回答准确率提升了 2 倍，每周为物业经理节省 10 小时以上。

摩根大通和 GitLab 也在使用 LangGraph。它目前是最流行的底层智能体编排框架，每月下载量大约 1200 万次。

七、普通用户为什么要知道这些

普通用户不会直接“打开 LangGraph”。它藏在产品后端，像一栋楼的地基。在 Klarna，你看到的是客服聊天框；在 Replit，你看到的是代码编辑器。LangGraph 在服务器里安排每一步由谁处理、下一步去哪，以及出错后怎么办。

先说记忆。有的 AI 产品聊几句就断片，有的却记得你上周提过的内容。差别未必来自模型本身，也可能来自后端有没有“病历本”和“存档”这套机制。

再说管理。未来的“AI 同事”不会只靠自觉完成工作。系统需要明确哪些步骤可以由 AI 决定，哪些动作必须让人确认。这和管理人的思路确实很像。

八、什么时候值得用 LangGraph

如果只是向 AI 问一个问题，直接用 Claude 或 ChatGPT 就够了。要搭一个简单的问答机器人，调用 API 通常也能解决。只有当流程里真的有分支、重试、人工审批和断点恢复，LangGraph 才值得考虑。官方给出的建议也是如此。

它的成本同样明确。简单场景使用 LangGraph，很容易把小问题做复杂。为了定义状态、条件边和检查点，开发者要写不少代码；托管平台还会按月收费，高吞吐场景的费用也可能失控。

我弄懂 LangGraph 后，一个感受比“AI 又进化了”更具体：模型再聪明，也需要一套能检查、能回退，并在必要时让人接手的流程。LangGraph 受到关注，至少说明人们正在把过去管理复杂工作的经验搬进 AI 系统。

至于 AI 最后能被“管”到什么程度，我也没有答案。先弄清这些系统怎样运转，再看它会走到哪里。