在之前的文章中,我们深入讲解了如何使用 LangChain + Ollama 构建本地大模型调用方案。
但是,随着业务需求不断增长,我们发现仅仅调用模型已经远远不够——我们希望构建具备条件判断、流程控制、工具调用以及状态记忆的智能 Agent。
这时候,LangChain 的 create_agent + LangGraph 的 StateGraph 就成为了真正面向工程的利器。
今天,我们就来讲清楚:
什么是 LangGraph?为什么它是构建可控 Agent 的未来?如何在最新 API 下用 create_agent 和 StateGraph 构建有状态智能体?
一、为什么要用 LangGraph 构建 Agent?
在 LangChain 最新版本中,Agent API 已经全面升级,官方推荐使用 create_agent 构建生产级智能体,并基于 LangGraph 对内部流程进行图结构编排。
create_agent
是一个高阶接口,用于构建图式 Agent。它内部依赖 LangGraph 执行器,在一个状态图中逐步完成模型推理、工具调用、决策流跳转等逻辑。
过去我们可能使用 Chain + Logic 组合来处理流程,但随着逻辑复杂度增加,线性写法很难维护、扩展和调试。
而 LangGraph 的图结构 可以让我们:
用 状态(state) 表达全局对话或任务信息
用 节点(nodes) 表达流程逻辑
用 边(edges) 表达不同分支与条件
用 记忆插件 实现短期和长期记忆
这组合起来,就形成了一个可控、有状态流程的智能 Agent。
二、什么是 StateGraph?
StateGraph 是 LangGraph 的核心抽象,它表示一个具有全局状态和节点流转逻辑的图。
每个节点本质上是一个函数,这个函数:
接收当前全局状态
返回修改后的状态或跳转指令
它非常适合把“复杂流程问题”映射为“图状态机”,无论是对话、工具调用还是多步骤任务。
简化后的 StateGraph 工作流程如下:
解释一下:
StateType:定义全局状态结构
add_node:定义节点行为逻辑
add_edge:定义节点间的流程跳转关系
三、新 API:create_agent 如何使用?
从 LangChain 最新版本开始,旧的 create_react_agent 已被废弃,统一使用 create_agent。
一个最简单的示例:
📌 重点说明:
model可以是任何支持工具调用的聊天模型tools是 Agent 可调用的外部能力(如检索、代码执行等)system_prompt是 Agent 的基础角色指令
实际上,create_agent 内部会构建一个 StateGraph,并把模型 + 工具节点组合成可执行流程。
四、结合 StateGraph:构建更复杂的图式 Agent
如果你希望在 Agent 内部实现更复杂的流程(如输入校验、分支工具调用、状态记录等),可以直接使用 StateGraph。
下面是一个包含两个节点的示例:通过 LLM 生成回答并记录状态。

在这个例子中:
ChatState:全局状态结构
chat_node:处理模型逻辑的节点
edges:从起点直接进入
chat_node,并更新消息状态
你可以在图内使用更复杂的节点连接和条件分支。([docs.langchain.org.cn][2])
五、记忆(Memory)如何集成?
智能体的核心能力之一,就是记住之前的对话或操作历史。
LangGraph 提供了开箱即用的短期记忆机制,基于 检查点(checkpoint) 存储状态。以下是短期记忆的示例:
同一个 thread_id 下的状态会被持续保存,实现短期记忆,非常适合多轮对话场景。
六、工程化建议:可控、可视化与部署
在真实工程场景下,图式 Agent 的能力远不止示例那么简单:

1️⃣ 自定义状态扩展
可以在 Agent 内定义更多状态字段,比如用户偏好、执行路径、决策数据等:
调用 create_agent 时,通过 state_schema 参数传入,Agent 就会自动维护这些字段。
2️⃣ 集成工具能力
Agent 可以调用检索、代码执行、数据库查询等工具。
工具可以作为节点,或者直接传入 tools 列表,由 Agent 在执行过程中调用,显著增强实际能力。
3️⃣ 可观测与调试
结合 LangSmith Trace 等可观测平台,可以:
可视化执行路径
追踪状态变化
调试复杂流程
大幅提高生产环境的可维护性。
七、工程化细节总结
| 技术点 | 最新 API |
|---|---|
| 构建 Agent | create_agent()(替代旧的 create_react_agent) |
| 状态管理 | 用 StateGraph 定义全局状态,并流转节点逻辑 |
| 记忆 | 基于 checkpoint 机制实现短期记忆 |
| 自定义状态 | 可通过 state_schema 扩展 |
| 可控流程 | 用节点 + 边 + Command 控制流程 |
八、结语:从链到图
如果说传统 Chain 是线性的能力组合,那么 StateGraph 就是有状态的全局控制流机;
如果说 Chain 是工具驱动流程片段,Graph 就是工程级的智能协同平台。
在 Agent 需求越来越复杂的今天,单靠 Chain 已无法应对多步骤决策、逻辑分支和记忆维护,而 LangGraph 的图式设计正是为可控 Agent 而生。
如果你正在做:
多步对话机器人
带外部工具调用的智能体
具有长期记忆的应用
需要可视化与调试的生产系统
那么,从 LangChain 到 LangGraph 的升级,将是你最值得投入的一条路线。
