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)
MCP 只负责连接，不决定 Agent 的业务逻辑和执行顺序，后者由 LangChain/LangGraph 承担。
开源工具 LangChain 和 LangGraph 可以用于管理 DCG 的状态。
在 LangGraph 中，thread_id 标识一条独立的执行线程，checkpointer 按 thread_id 存取状态快照；如果 thread_id 不稳定，恢复时找不到检查点，审批流程会断掉。
interrupt 的载荷应包含实际效果（动作名称、目标记录、金额、dry-run 或 diff），而不是模型对自己计划的解释。
不要把审批通过率当成成功指标，而应跟踪拒绝情况和抽样复核（如从 LangSmith 的 trace 或日志中取样）。
使用 checkpointer 编译图并传入稳定的 thread_id 是持久化人工审批等待状态的必要条件。
不应在每个节点前都设置暂停，只在难以撤销且出错时不会自我暴露的步骤前暂停（如发起退款、删除记录、发送邮件）。
磁盘占用增长呈二次方（O(n²)），因为检查点器在每个超级步都会写入整个对话状态
检查点器在 LLM 推理之前就保存输入，因此即使 LLM 未回答、超时或报错，持久化也会发生
在 LangGraph 中加载约 24.6 MB 攻击者文本，经过 3 轮测试，VmHWM 稳定在 235 MB，未发生内存放大
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%已验证微软的AutoGen、LangChain的LangGraph和OpenAI的Swarm框架都在探索多Agent分工协作
90%已验证LangGraph的检查点存储默认支持内存、SQLite和PostgreSQL等多种后端
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LangGraph是LangChain团队于2024年初推出的智能体编排框架
90%已验证构建AI应用的框架不止LangChain一个，替代方案包括Claude SDK、OpenAI SDK、LlamaIndex、Semantic Kernel、AutoGen等
85%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
80%已验证在 LangGraph 中，HITL（人机协同）通过中断点机制实现，Agent 执行到节点时暂停并将状态序列化持久化，等待人工确认后恢复执行
80%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
80%已验证LangGraph支持Human-in-the-Loop模式，Agent可以在关键决策点暂停执行等待人类审核
80%已验证工具增强型AI（Tool-Augmented AI）是当前大模型应用的重要发展方向，OpenAI的Function Calling和Anthropic的Tool Use等机制在底层支撑这一范式
80%已验证LangGraph是LangChain团队推出的Agent编排框架，其核心理念是将Agent的执行流程建模为有向图（DAG），支持循环、条件分支等复杂控制流
80%已验证LangChain和LangGraph是被归类为重型框架的AI Agent开发工具
80%已验证LangGraph的架构由三个核心要素组成：State（状态）、Node（节点）、Edge（边）
80%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提供内置的状态持久化、断点续传和人工介入（Human-in-the-Loop）能力
80%