LangGraph 使用介绍：功能、价格与上手指南
LangGraph 是 LangChain 生态中用于构建有状态、多步骤 AI 工作流的图框架。本文介绍其核心功能、定价模式、快速上手步骤，并给出适用场景与学习建议。
什么是 LangGraph？
LangGraph 是 LangChain 团队推出的开源框架，用于构建有状态、多步骤的 AI 工作流。它把任务抽象为图（Graph）结构，节点代表处理单元，边代表执行顺序，从而支持循环、分支和人工介入等复杂逻辑。
与传统的链式调用不同，LangGraph 更适合需要记忆、条件判断和多次迭代的 Agent 场景。
LangGraph 核心功能
1. 图结构工作流
LangGraph 使用节点（Node）和边（Edge）定义流程。节点可以是 LLM 调用、工具执行或自定义函数；边决定下一步走向。
2. 状态管理
通过共享状态（State）在节点间传递数据，支持追加、覆盖等更新方式，适合多轮对话和任务追踪。
3. 条件分支与循环
可根据状态动态选择路径，实现重试、反思、多轮推理等模式。
4. 人工介入
支持在关键节点暂停，等待人工审核后再继续执行。
5. 持久化与检查点
可保存执行过程，支持断点续跑和时间旅行调试。
6. 流式输出
兼容流式响应，适合实时交互应用。
LangGraph 价格
LangGraph 本身是开源免费的，采用 MIT 许可证。你可以自行部署，无额外授权费用。
但实际使用中可能产生以下成本：
| 项目 | 说明 |
|---|---|
| LLM API 费用 | 调用 OpenAI、Anthropic 等模型按 token 计费 |
| LangSmith | 可选的调试与监控平台，有免费额度，超出后按量付费 |
| 云资源 | 若部署在云服务器，需支付计算与存储费用 |
对于个人学习和小型项目，基本可以零成本起步。
如何快速上手 LangGraph
第一步：安装
pip install langgraph如需使用 LangChain 集成，可一并安装：
pip install langchain langchain-openai第二步：定义状态
from typing import TypedDict
class State(TypedDict):
messages: list第三步：创建节点与图
from langgraph.graph import StateGraph, END
def chatbot(state: State):
return {"messages": state["messages"] + ["回复"]}
graph = StateGraph(State)
graph.add_node("chatbot", chatbot)
graph.set_entry_point("chatbot")
graph.add_edge("chatbot", END)
app = graph.compile()第四步：运行
result = app.invoke({"messages": ["你好"]})
print(result)第五步：添加条件边
def should_continue(state: State):
if len(state["messages"]) > 5:
return "end"
return "continue"
graph.add_conditional_edges("chatbot", should_continue, {
"continue": "chatbot",
"end": END
})适用场景
- 多轮对话机器人
- 需要工具调用的 Agent
- 复杂任务分解与规划
- 带人工审核的自动化流程
- 多 Agent 协作系统
学习建议
- 先熟悉 LangChain 基础概念
- 从官方文档的 Quick Start 入手
- 动手实现一个带条件分支的小项目
- 逐步引入持久化和人工介入
常见问题
LangGraph 和 LangChain 有什么区别？
LangChain 侧重链式调用和组件集成；LangGraph 侧重图结构、状态和循环控制，更适合复杂 Agent。
LangGraph 必须付费吗？
不需要。框架开源免费，仅在使用第三方 API 或 LangSmith 时产生费用。
适合初学者吗？
有一定 Python 和 LLM 基础后上手较快；完全新手建议先学习 LangChain 基础。
结论
LangGraph 是构建复杂 AI 工作流的实用工具，开源免费、功能灵活。通过定义状态、节点和边，你可以快速搭建带分支、循环和人工介入的智能应用。建议从官方示例开始，逐步深入。