智能体框架这两年出得很快，但绝大多数都先帮你把「一个能自己干活的 Agent」封装好，再让你在它的壳子里改。LangGraph 走的是另一条路：它把自己定位成低层编排框架加运行时，把「怎么控制」交回给开发者。官网首屏那句很能说明取向——在控制力与自主性之间取平衡，用来设计能可靠处理复杂任务的智能体。

四件事被单独拎出来了

官网把能力拆成四块，每块配一个跳转。人工介入是可加的：在关键节点插入审核与质量检查，让智能体在动手前先被批准，官方说得很直接——给智能体加检查点，用来引导和批准它的动作。控制流是三类：单智能体、多智能体、分层，都吃同一套低层原语，换言之结构随需求长，不用为了改架构换框架。记忆是内置的：对话历史被保存下来，并跨会话维持上下文，官方文档把它分成短期工作记忆与跨会话长期记忆两层。流式是一等的：原生逐词输出，把推理过程与动作实时露出来，这是给前端体验留的接口。

一张图里混着写

LangGraph 真正要害的设计，是允许你在同一张图里混用两类步骤。需要稳定、需要可审计的环节，写死成确定性的手写逻辑；需要随机应变的环节，交给模型去判断。这听起来朴素，但落到工程上差别很大：你无需在「全自动」和「全脚本」之间二选一，而是逐段决定 AI 应该出现在哪里。

官方文档站把它概括为低层编排框架与运行时，用于构建、管理与部署长期运行的有状态智能体，并称已被 Klarna、Uber、J.P. Morgan 等企业采用。文档站还提醒：可以先用模型与工具这些组件上手，文档里常借助 LangChain 做集成，但用 LangGraph 并不要求引入 LangChain——这个依赖边界写得很清楚。

起步也确实轻。安装就是装一个包，官方给了一段 hello world：用状态图与消息状态建好节点，把起点和终点连起来，编译后调用，返回一条模型消息。这段代码把它的世界观交代完了——节点是步骤，边是流转，状态在中间跑。

断点续跑与人工介入，是给生产准备的

文档站列的核心收益里，前三条都属于「上线才会遇到」的问题。持久化执行让智能体在失败后从中断处恢复，无需从头再跑一遍；人工介入允许在任意时点检查并修改状态；综合记忆把短期工作记忆与长期记忆分开管。此外还有 LangSmith 负责调试与可观测，以及面向长期运行工作流的部署能力。文档导航的结构也能看出侧重：持久化检查点、存储、容错、事件流、中断、时间旅行、子图、部署，几乎每一章都在回答「跑长了怎么办」。

溯源部分它写得很坦率：受 Pregel 与 Apache Beam 启发，公开接口受 NetworkX 启发，由 LangChain 团队构建，但可以脱离 LangChain 使用。

适合谁用

三类人比较对症。一是要长期运行的工程团队：需要断点续跑、需要人工审批卡点、需要状态可查，这些在 LangGraph 里是原语，而不是事后打的补丁。二是对控制粒度有要求的团队：不希望被单一黑盒认知架构框住，想逐段决定哪里用模型、哪里用死逻辑。三是已经在用 LangChain 生态的人：观测、评测与部署都有对应产品，接得上。

要留意的地方也有几处。它是低层框架，抽象少意味着代码量偏大，想快速做出一个演示型 Agent，从高层封装起步会更省事，官方仓库也提示了 Deep Agents 这类上层项目。生态里的观测与部署能力在云侧提供，本地自建要自行补齐。许可方面仓库以 MIT 发布，数据约为 41.8k 星与 7.1k 次 fork、561 个发布、301 位贡献者、被 44K 个项目使用，另外有同等能力的 JavaScript 与 TypeScript 版本。

低层框架的价值，不在于帮你少写代码，而在于当流程跑到第二十步卡住时，你手里有明确的钩子可以插进去。