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：
StateGraph(StateType) ├── add_node(name, function) ├── add_edge(source, target) └── compile() → graph.invoke({state input})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：
from langchain.agents import create_agent from langchain_openai import ChatOpenAI model = ChatOpenAI( model="qwen3:8b", base_url="http://localhost:11434/v1", api_key="your api key", ) agent = create_agent( model=model, tools=[], system_prompt="你是一个智能助手，负责处理用户请求。", ) response = agent.invoke({ "messages": [{"role": "user", "content": "什么是 LangGraph？"}] }) print(response)📌 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。
from typing import TypedDict, Annotated from langchain_openai import ChatOpenAI from langgraph.graph import StateGraph, END from langgraph.graph.message import add_messages from langchain_core.messages import HumanMessage # 1. 定义全局状态 class ChatState(TypedDict): messages: Annotated[list, add_messages] # 2. 初始化模型 llm = ChatOpenAI( model="qwen3:8b", base_url="http://localhost:11434/v1", api_key="your api key", ) # 3. 定义节点 def chat_node(state: ChatState): response = llm.invoke(state["messages"]) return {"messages": [response]} # 4. 构建 StateGraph graph = StateGraph(ChatState) graph.add_node("chat", chat_node) graph.set_entry_point("chat") graph.add_edge("chat", END) graph = graph.compile() # 生成可视化图 with open("/Users/zhoupb/workspace-ai/atnk-ai/data/demo.png", "wb") as f: f.write(graph.get_graph(xray=True).draw_mermaid_png()) # 5. 调用 result = graph.invoke( {"messages": [HumanMessage(content="用一句话介绍什么是 LangGraph？")]}, ) print(result["messages"][-1].content)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：
from langgraph.checkpoint.memory import InMemorySaver #...省略 # 使用检查点保存状态 checkpointer = InMemorySaver() graph = graph.compile(checkpointer=checkpointer) # 使用同一个 thread_id，触发“记忆” config = {"configurable": {"thread_id": "local-chat"}} # 第一轮 result = graph.invoke( {"messages": [HumanMessage(content="用一句话介绍什么是 LangGraph？")]}, config=config ) print(result["messages"][-1].content) print("-" * 100) # 第二轮（保留上下文） result = graph.invoke( {"messages": [HumanMessage(content="用一句话介绍它和 LangChain 的关系？")]}, config=config ) print(result["messages"][-1].content)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：
class CustomState(TypedDict): messages: list user_settings: dict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。
