LangGraph
LangGraph是一个用于构建有状态、多智能体（Multi-Agent）应用程序的开发框架，基于LangChain生态构建。它以图结构（节点与边）为核心抽象，支持定义复杂的智能体工作流、循环逻辑与条件分支，适用于构建需要多步骤推理、工具调用和多智能体协作的AI应用场景。
核心事实
时间轴 (近 90 天)
Deep Agents 的持久化中间状态存储通常依托 LangGraph 的状态图机制实现
框架本身无法回答哪些决策属于图、哪些决策属于模型这一根本问题
LangGraph原生重试每次都用同样的方式重试，且进程结束后不保留之前的执行状态
Resumate是为LangGraph智能体提供修复与续跑（repair-and-resume）能力的工具
Resumate目前仅支持LangGraph + Python组合
LangGraph 默认的检查点实现在为推测性分支派生新状态时需要克隆整个状态载荷（state payload）
RiftPoint 是一个基于 Rust 引擎的 LangGraph 检查点保存器（Checkpointer），用于解决并发智能体路径评估时的内存与性能瓶颈
在 LangGraph 中同时生成并评估数十条并发智能体路径时，为每个分支完整复制 JSON blob 会带来沉重的内存和性能负担
LLM 场景下多智能体编排的典型实现框架包括 LangGraph、AutoGen 和 CrewAI
LangGraph 的状态以 Python TypedDict 显式定义并在节点间共享
还有 40 条时间轴事件
全部知识事实 (20)
LangGraph通过内置的Checkpointer机制支持将图执行的每一步状态快照持久化，实现断点续跑能力
90%已验证目前主流的AI Agent框架包括LangChain、AutoGen、CrewAI等
90%已验证2023年以来，AutoGPT、MetaGPT、CrewAI等多智能体框架相继出现
90%已验证LangGraph将Agent工作流抽象为有向图，每个节点代表一个Agent或处理步骤，边代表状态流转条件
90%已验证多智能体（Multi-Agent）架构的典型框架包括微软的AutoGen、CrewAI、LangGraph等
80%已验证多Agent协作领域的代表性框架包括AutoGen、CrewAI、LangGraph等
80%已验证LangChain的生态系统包含LangChain Core、LangChain Community、LangGraph和LangSmith四大组件
80%已验证LangGraph是LangChain团队推出的进阶框架，专为构建有状态、多步骤的Agent工作流而设计
80%已验证LangGraph基于有向图的状态机模型，提供更精细的流程控制能力
80%已验证LangGraph支持带状态的循环图（Cyclic Graph），区别于纯DAG，这对需要反复迭代的Agent推理循环至关重要
75%已验证Spring AI Alibaba 的 Graph 框架类似 Python 生态中的 LangGraph，支持节点（Node）、状态（State）、边（Edge）等核心概念
75%已验证LangGraph was released by the LangChain team in 2024 as an advanced framework specifically addressing LangChain's limitations in complex Agent scenarios.
70%已验证AutoGPT、CrewAI、MetaGPT等开源项目在探索多Agent协作框架，但更偏向任务导向
70%已验证LangGraph中的State通常以TypedDict或Pydantic模型的形式定义
70%已验证LangChain推出了LangGraph作为底层图计算引擎，支持有状态的、可循环的Agent工作流
70%已验证LangChain 生态存在三层结构：底层 LangGraph、中间层 LangChain、最上层 DeepAgents
65%已验证编排者+执行器是多智能体系统的经典分工模式，被 AutoGPT、CrewAI、LangGraph 等框架广泛采用
65%已验证DeepAgent是LangChain与LangGraph生态中高度封装的模块，是Harness架构思想的一种具体实现
65%已验证LangGraph、AutoGen是具有显式状态管理能力的Agent框架
65%已验证LangGraph用于构建有状态的多步骤智能体工作流
65%