LangGraph 是什么？用一句话说清楚
如果你用过 Dify 或 Coze，你知道那是「拖拽式」搭 Agent。LangGraph 是它们的「底层引擎」——用代码来定义 Agent 的决策流程，像画流程图一样，把 AI 的每一步思考都变成可控的节点。
类比：
Dify 是自动挡汽车，LangGraph 是手动挡——更麻烦，但你能精确控制每一个齿轮。
Dify 是自动挡汽车，LangGraph 是手动挡——更麻烦，但你能精确控制每一个齿轮。
它由 LangChain 团队开发，目前 GitHub Star 超过 12,000，Klarna、Replit 等公司都在生产环境使用。想了解 Agent 的底层架构原理，可以先看 AI Agent 四大核心模块。
准备工作
1
安装 LangGraph
打开终端，运行：
pip install langgraph langchain-openai> 此时你应该看到：Successfully installed langgraph-x.x.x
如果提示 pip 版本过低，先运行
pip install --upgrade pip2
准备 API Key
OpenAI（推荐新手）：去 platform.openai.com 注册，新用户有免费额度。
Anthropic Claude：去 console.anthropic.com 注册，同样有免费额度。
拿到 Key 后，在终端设置环境变量：
# Windows
set OPENAI_API_KEY=sk-你的key
# Mac/Linux
export OPENAI_API_KEY=sk-你的key4
写第一个 LangGraph 程序
新建文件 my_agent.py，复制以下代码：
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
from typing import TypedDict, List
# 1. 定义状态（记忆本的格式）
class AgentState(TypedDict):
messages: List[str]
# 2. 定义节点（AI 思考这一步）
llm = ChatOpenAI(model="gpt-4o-mini")
def ai_node(state: AgentState):
response = llm.invoke(state["messages"])
return {"messages": state["messages"] + [response.content]}
# 3. 搭建图
graph = StateGraph(AgentState)
graph.add_node("ai", ai_node)
graph.set_entry_point("ai")
graph.add_edge("ai", END)
# 4. 编译并运行
app = graph.compile()
result = app.invoke({"messages": ["你好，介绍一下你自己"]})
print(result["messages"][-1])python my_agent.py> 此时你应该看到：AI 的回复文字打印在终端里。
常见报错：
AuthenticationError → 检查 API Key 是否正确设置，注意不要有多余空格。5
加上「记忆」——让 Agent 记住上下文
上面的版本每次都是全新对话。加两行代码，让它记住历史：
from langgraph.checkpoint.memory import MemorySaver
memory = MemorySaver()
app = graph.compile(checkpointer=memory)
config = {"configurable": {"thread_id": "user_001"}}
result1 = app.invoke({"messages": ["我叫小明"]}, config=config)
result2 = app.invoke({"messages": ["我叫什么名字？"]}, config=config)
print(result2["messages"][-1]) # 它会记得你叫小明> 此时你应该看到：AI 回复「你叫小明」，说明记忆生效了。
thread_id 就是会话 ID，不同用户用不同 ID，互不干扰。6
加上「工具」——让 Agent 能搜索网络
这是 LangGraph 最强大的地方：让 AI 在需要时自动调用外部工具。
from langchain_community.tools import DuckDuckGoSearchRun
from langgraph.prebuilt import create_react_agent
search = DuckDuckGoSearchRun() # 免费搜索工具，不需要 API Key
tools = [search]
app = create_react_agent(llm, tools, checkpointer=MemorySaver())
config = {"configurable": {"thread_id": "search_demo"}}
result = app.invoke(
{"messages": ["今天 AI 领域有什么新闻？"]},
config=config
)
print(result["messages"][-1].content)> 此时你应该看到：AI 自动搜索了网络，返回今天的 AI 新闻摘要。
这就是 ReAct 模式：
AI 先「思考」要不要用工具，再「行动」调用工具，再「观察」结果，循环直到给出答案。想深入了解可以看 Agent 生产架构深度解析。
AI 先「思考」要不要用工具，再「行动」调用工具，再「观察」结果，循环直到给出答案。想深入了解可以看 Agent 生产架构深度解析。
效果验证
完成以上 6 步后，你的 Agent 应该能做到：
- ✅ 接收用户输入并用 AI 回复
- ✅ 记住同一会话的历史对话
- ✅ 在需要时自动搜索网络获取最新信息
- ✅ 多用户隔离（不同 thread_id 互不干扰）
常见问题 FAQ
LangGraph 和 LangChain 什么关系？
LangGraph 是 LangChain 团队开发的独立库，专门用于构建有状态的 Agent 工作流。可以单独使用，不依赖 LangChain。
免费吗？
LangGraph 本身完全免费开源。费用只来自你调用的大模型 API，用 gpt-4o-mini 的话非常便宜，测试阶段几乎感觉不到费用。
和 Dify、Coze 比有什么优势？
灵活性更高，可以实现 Dify/Coze 做不到的复杂逻辑（比如动态分支、并行节点、自定义状态机）。代价是需要写代码。
Windows 上运行报错怎么办？
确认 Python 版本 ≥ 3.9，建议用
python --version 检查。如果有编码问题，在文件开头加 # -*- coding: utf-8 -*-。