LangGraph 构建于 LangChain 之上，能极大简化智能体（Agent）与智能体运行时（Agent Runtime）的开发工作。 那么智能体和智能体运行时究竟指什么？ 在 LangChain 中，我们对智能体的定义是：由大语言模型驱动、能够自主决策执行何种动作的系统。 而智能体运行时，本质上负责循环驱动智能体：调用智能体，由它决定要执行的动作；执行该动作，采集返回的观测结果；再把观测结果回传给智能体，开启下一轮循环。整个过程持续迭代，直到智能体判定任务完成。 过去几个月里，我们已经借助 LangChain 表达式语言（LCEL）大幅降低了 LangChain 中智能体的自定义门槛，如果还不了解，推荐你去学习相关内容。 而 LangGraph 所要解决的问题，是让开发者能够灵活定制智能体运行时。 在此之前，LangChain 里唯一的运行时实现就是 AgentExecutor（智能体执行器）。它以固定逻辑循环执行、调用工具、统一处理异常。这套方案固然好用，但实现运行时的方式仅此一种。我们希望提供更多方案，支持以更灵活、更动态的方式搭建智能体运行时。 运行时最核心的能力之一，就是支持循环结构。智能体运行时的核心逻辑就是持续驱动大模型智能体循环思考执行，因此框架必须支持环路。 但 LangChain 表达式语言以及其他有向无环图（DAG）类框架不支持循环。这正是我们推出 LangGraph 的根本原因： LangGraph 专门用于构建带有循环能力的智能体运行时。 以上就是 LangGraph 的概要介绍，以及它诞生的背景。 本系列后续视频，我会重点讲解我们首批内置的两大智能体运行时。 第一种是智能体执行器（Agent Executor），功能和原版 LangChain 的智能体执行器高度一致 —— 我们基于 LangGraph 重新实现了它。 第二种是对话智能体执行器（Chat Agent Executor）：它接收一组消息作为输入，直接用消息列表表达智能体状态，最终同样输出一组消息。 之所以单独实现对话智能体执行器，是因为当下绝大多数新一代模型都是对话式大模型。这类模型原生把工具调用封装为消息内的参数，工具返回结果也对应一种独立消息类型。用消息列表来表征智能体状态，和这类模型的工作范式天然契合，因此我们专门提供了这套独立的执行器。 之后我还会演示多种改造基础智能体执行器的方式，例如接入人在回路（Human-in-the-loop）、强制优先调用指定工具，以及其他实用拓展能力。
文本核心概念梳理 + 通俗解读
先把原文关键概念拆解，理清LangChain → AgentExecutor → LangGraph的演进脉络，同时区分容易混淆术语：
一、基础名词释义
1. Agent（智能体）
定义：由大模型驱动，可以自主决策要执行什么动作的系统。 简单理解： 智能体 = LLM + 决策逻辑。 它只负责思考、做选择：“我现在要不要调用工具？调用哪个工具？传入什么参数？还是任务已经做完，可以直接输出答案？” ⚠️Agent 本身不会自己循环、不会自动调用工具、不会自动收集结果再重新思考。它只是 “大脑”，缺少驱动它持续运转的机制。
2. Agent Runtime（智能体运行时）
定义：驱动智能体不断循环工作的执行引擎。 标准循环流程：
- 把当前上下文交给 Agent（大脑）
- Agent 做出决策：输出动作 / 工具调用指令
- Runtime 执行工具，拿到观测结果（tool 返回值）
- 将结果合并进上下文，再次喂给 Agent
- 重复 1~4，直到 Agent 判断任务结束，终止循环
一句话区分：
- Agent = 大脑（负责思考决策）
- Agent Runtime = 躯体 + 循环控制器（负责执行、循环、流转状态）
3. AgentExecutor（智能体执行器）
LangChain 原生提供的唯一一套内置 Agent Runtime 实现。 特点： 循环逻辑固定、流程黑盒、异常处理统一。 优点：开箱即用； 痛点：流程固定，很难自定义循环分支、暂停、人在回路、复杂多分支路由。
二、LCEL 的局限（LangChain Expression Language）
LCEL 是 LangChain 用来组装链路的语法，底层是DAG（有向无环图）。 DAG 硬性约束：不能存在环路。 链路只能单向往下走，无法实现：模型思考 → 调用工具 → 获取结果 → 再次交给模型思考的循环闭环。
这就是核心矛盾： 智能体天然需要循环，但是 LCEL/DAG 做不了循环。
三、LangGraph 的定位与诞生目的
LangGraph 构建在 LangChain 之上，专门用来自定义 Agent Runtime。
核心价值： 支持带环路的状态图，不再是 DAG，可以自由实现循环、条件分支、中途暂停、分支路由。 开发者不再只能使用 LangChain 提供的固定 AgentExecutor，可以从零搭建属于自己的智能体运行时。
四、LangGraph 内置两套原生 Runtime
1. Agent Executor（重构版）
对标 LangChain 原版 AgentExecutor，功能对齐。 只是底层不再是硬编码循环，而是用 LangGraph 状态图重新实现，方便你在图上修改流程。
2. Chat Agent Executor（对话智能体执行器）
适配当前主流对话式大模型（GPT、Claude、Qwen 等）
- 状态 = 消息列表
[SystemMessage, HumanMessage, AIMessage, ToolMessage...] - 输入：消息数组
- 输出：消息数组
为什么单独实现？ 现代对话模型原生把工具调用嵌入对话消息流： AI 消息携带工具调用参数 → 工具执行结果封装为 ToolMessage 放回对话历史。 用消息列表表征状态，和模型原生范式完美匹配，无需额外格式转换。
五、后续拓展方向（原文预告）
基于 LangGraph 改造运行时的常见能力：
- Human-in-the-loop 人在回路：循环中途暂停，交由人工审核、输入指令之后继续执行
- 强制优先调用指定工具
- 自定义终止条件、异常捕获、分支路由、多智能体协作等
极简时间线总结
- 早期 LangChain：Agent（大脑）+ 唯一固定 Runtime：AgentExecutor
- LCEL 出现：简化链路组装，但受限于 DAG，无法实现循环智能体
- 痛点暴露：想要灵活定制智能体循环流程，没有方案
- 推出 LangGraph：支持带环状态图，允许开发者自由搭建各式各样的 Agent Runtime
- 内置两套开箱即用 Runtime：传统 AgentExecutor、面向对话模型的 Chat Agent Executor
