张海立（网络昵称：沧海九粟）《LangChain实战：从原型到生产，动手打造 LLM 应用》作者、LangChain 官方大使、LFAPAC 开源布道师。B 站万粉 UP 主，开源爱好者，长期致力于云原生等前沿互联网技术的落地与推广。英特尔亚太研发有限公司前高级研发经理兼架构师。

曹士圯（网络昵称：万千十一）腾讯研究院研究员，专注大模型前沿技术及应用研究。前独立AI工程师 & 全栈数据科学家，《LangChain实战：从原型到生产，动手打造 LLM 应用》合著者。数据玩家、工具极客、开源倡导者、 AI观察者。

尹珉 杭州某科技企业DevOps运维总监，开源技术布道先锋。专注云原生与AI大模型跨界融合，推动企业级开源解决方案落地。LFAPAC认证开源布道师，深度参与Milvus、Sealos、KubeSphere等开源社区生态建设。

当全球开发者涌入Agent技术洪流时，本书将以三个不可复制的核心价值成为智能体开发者的案头书。

1. 稀缺性：首本中文LangGraph实战指南，填补国内Agent开发框架系统化教程空白，LangChain CEO Harrison Chase亲自作序，硅基流动创始人袁进辉、Milvus创始人星爵等10位专家联合赞誉，确认本书对LangGraph框架的系统性解读，是生态内适配中国开发者的权威指南。

2. 实战性：提供从智能体原理到企业级落地的全链路方案，图驱动架构 + 官方模板解读 + 硅基流动深度适配。

3. 前瞻性：超越版本迭代的设计哲学，深入LangGraph底层架构，掌握永不过时的智能体工程范式，解析Agent Protocol、多智能体网络架构等前沿方向，前瞻性布局智能体协同、人机环路等下一代技术范式。

推荐序

Harrison Chase LangChain CEO 及创始人

It is with great excitement that I write this foreword for LangGraph in Action, a book

that arrives at a pivotal moment in the evolution of AI and agent technology. Following

the success of LangChain in Action, I've been thrilled to witness the LangChain ecosystem

flourish within China's developer community.

Over the past year, the rapid advancements in large language models (LLMs) have

brought us to the cusp of what many are calling the "Agent Era"—a new frontier where

intelligent, autonomous agents powered by frameworks like LangGraph are set to redefine

how we harness the potential of LLMs. As we stand on the brink of 2025, widely predicted

to be a breakout year for agent technology, this book offers a timely and practical guide for

developers eager to seize the opportunities ahead.

LangGraph in Action masterfully bridges the gap between theory and practice,

focusing on the core principles and design patterns for building with LangGraph. While the

examples are built on version 0.5, the foundational concepts you'll learn are essential for

mastering v1.0 and future iterations.Whether you're new to the LangChain ecosystem or an

experienced practitioner, this book equips you with the durable skills and insights to build

sophisticated Agent applications.

From the fundamentals of graph-driven AI systems to advanced topics like memory

mechanisms and service deployment, this book reflects the maturity of LangGraph as a

standalone yet complementary framework within our ecosystem. I'm confident that this

work will empower readers to not only understand the transformative power of Agents but

also to lead the charge in creating innovative, real-world solutions in this exciting new era.

能为《LangGraph 实战：构建新一代 AI 智能体系统》这本书撰写推荐序，我感

到无比激动。本书的出版，正值人工智能（AI）与智能体（Agent）技术演进的关键

时刻。继《LangChain 实战：从原型到生产，动手打造 LLM 应用》成功出版后，我

很高兴看到 LangChain 生态在中国开发者社区中蓬勃发展。

过去一年里，大语言模型的快速发展将我们带入所谓“智能体时代前夕”——在

LangGraph 实战：构建新一代 AI 智能体系统

这个新领域，由 LangGraph 等框架驱动的自主智能体，将重新定义我们利用 LLM 潜

力的方式。在被普遍预测为智能体技术爆发之年的 2025 年，本书为渴望把握未来机

遇的开发者们提供了一份及时且实用的指南。

本书巧妙地弥合了理论与实践之间的差距，针对中国开发者的实际需求，深入解

析了 LangGraph 的核心架构与设计思想。书中内容以 v0.5 版本的实现为基石进行讲

解，其核心原理与范式同样贯穿于未来的 v1.0 版本。无论您是 LangChain 生态的新手，

还是经验丰富的实践者，本书都将为您提供构建复杂智能体应用所需的、不过时的工

具和深刻见解。

从图驱动 AI 系统的基础知识到记忆机制、服务部署等高级主题，本书内容展现

了 LangGraph 作为生态系统中一个既独立又互补的框架所具备的日益成熟的特质。

我深信，本书不仅能让大家理解智能体的变革力量，更能帮助大家在这个激动人心的

新时代，率先创造出面向真实世界的创新解决方案。

第 1 章 AI 智能体的原理和机制 / 1
1．1 AI 智能体的概念 / 2
1．1．1 AI 智能体的核心能力 / 3
1．1．2 AI 智能体的主要运作机制 / 6
1．1．3 AI 智能体与传统 AI 系统的主要区别 / 8
1．2 ReAct 设计模式 / 11
1．2．1 ReAct 的机制：迭代执行循环 / 12
1．2．2 ReAct 提示词的构成 / 15
1．2．3 ReAct 衍生设计模式 / 16
1．3 AI 智能体开发的技术与挑战 / 17
1．3．1 AI 智能体的当前技术发展现状 / 18
1．3．2 AI 智能体开发的障碍 / 20
1．3．3 智能体框架的必要性：LangGraph 和前进之路 / 22
第 2 章 LangGraph 框架概览 / 25
2．1 LangGraph 简介 / 26
2．1．1 节点 / 26
2．1．2 边 / 28
2．1．3 状态 / 29
2．2 LangGraph 与 LangChain 的关系 / 30
2．3 基于 LangGraph 实现 ReAct 设计模式 / 33
第 3 章 LangGraph 的状态图结构 / 42
3．1 核心原语 / 43
3．1．1 状态 / 43
3．1．2 节点 / 54
3．1．3 边 / 59
3．1．4 命令 / 61
3．2 流程控制：分支与并发 / 63
3．2．1 并行分支：扇出与扇入 / 64
3．2．2 并发而非并行 / 69
3．2．3 递归限制与并行分支 / 70
3．3 MapReduce 模式：任务分解与并行处理 / 72
3．3．1 MapReduce 模式的核心思想 / 72
3．3．2 LangGraph 中的 MapReduce 实现 / 73
3．3．3 MapReduce 的应用场景 / 78
3．3．4 MapReduce 的核心 API：Send 函数 / 79
3．4 子图机制：模块化与复用设计 / 81
3．4．1 子图的概念与优势 / 81
3．4．2 在 LangGraph 中定义和使用子图 / 82
3．5 工具调用：扩展智能体的能力边界 / 85
3．5．1 ToolNode：LangGraph 的工具调用中心 / 85
3．5．2 定义工具：使用 @tool 装饰器 / 86
3．5．3 手动调用 ToolNode / 87
3．5．4 在 LangGraph 图中使用 ToolNode / 90
3．5．5 处理工具调用错误 / 92
3．5．6 从工具中更新图状态 / 97
3．5．7 向工具传递运行时参数 / 100
3．6 图的可视化 / 103
3．6．1 Mermaid 语法 / 103
3．6．2 PNG 图片 / 104
3．6．3 X-Ray 子图可视化 / 110
第 4 章 AI 智能体的交互体验 / 114
4．1 流式处理 / 115
4．1．1 流式处理模式 / 116
4．1．2 事件流式处理 / 124
4．1．3 LangGraph 流式处理的底层原理 / 128
4．2 持久化 / 129
4．2．1 线程和存档点的概念 / 130
4．2．2 存档点器的实现 / 131
4．2．3 持久化的实际应用 / 135
4．3 人机环路协作 / 144
4．3．1 静态断点：定义固定的人工干预点 / 145
4．3．2 人机环路的核心设计模式：基于操作的干预 / 146
4．3．3 interrupt() 函数的技术细节 / 154
4．3．4 人机协作是构建信任和控制的关键 / 157
第 5 章 AI 智能体的记忆系统 / 160
5．1 短期记忆与长期记忆 / 161
5．1．1 短期记忆：维持对话的连贯性 / 162
5．1．2 长期记忆：实现跨会话 / 165
5．2 记忆存储 / 168
5．2．1 记忆存储的基本操作 / 168
5．2．2 通过语义搜索增强记忆检索 / 172
5．2．3 构建自定义记忆存储 / 175
5．3 记忆系统的实际应用 / 178
5．3．1 个性化推荐 / 178
5．3．2 多步骤的情境化任务 / 184
5．3．3 TrustCall：信息提取和记忆更新 / 186
5．4 LangMem / 189
5．4．1 LangMem 的核心组件 / 189
5．4．2 LangMem 应用实例 / 191
5．4．3 LangMem 关键函数解析 / 194
5．5 记忆系统设计的重要考量 / 196
第 6 章 LangGraph 的核心 API / 199
6．1 create_react_agent / 200
6．1．1 create_react_agent 的核心功能和参数 / 200
6．1．2 自定义选项 / 202
6．1．3 create_react_agent 的应用 / 208
6．2 Functional API / 210
6．2．1 Functional API 的优势 / 210
6．2．2 核心组件：@entrypoint 和 @task / 211
6．2．3 使用 Functional API 构建和执行工作流 / 216
6．2．4 与 LangChain 和 LangSmith 集成 / 221
6．2．5 常见工作流模式 / 223
6．2．6 常见陷阱 / 232
6．2．7 Functional API 与 Graph API 的比较 / 234
6．3 API 的选择 / 236
6．3．1 LangGraph API 选择决策树 / 237
6．3．2 API 选择的案例分析 / 237
第 7 章 AI 智能体系统的架构设计与模式应用 / 241
7．1 常见工作流 / 242
7．1．1 工作流的基础构建模块：增强型 LLM / 243
7．1．2 提示链 / 244
7．1．3 路由 / 248
7．1．4 并行化 / 254
7．1．5 协调器―工作者 / 258
7．1．6 评估器―优化器 / 265
7．2 多智能体架构 / 271
7．2．1 主管架构 / 272
7．2．2 分层架构 / 278
7．2．3 网络架构 / 282
7．3 情境感知智能体架构 / 287
7．3．1 架构模式 / 288
7．3．2 人机环路交互设计 / 289
7．3．3 用 LangGraph 实现情境感知智能体架构 / 293
第 8 章 LangGraph 平台介绍 / 297
8．1 LangGraph 平台的架构与核心概念 / 298
8．1．1 核心组件设计 / 298
8．1．2 核心概念 / 301
8．1．3 部署选项 / 305
8．2 LangGraph 平台的应用程序部署 / 307
8．2．1 LangGraph 应用程序格式定义 / 307
8．2．2 部署到 LangGraph Cloud SaaS 平台 / 312
8．2．3 自托管 LangGraph 部署 / 314
8．2．4 自定义 Docker 部署 / 316
8．2．5 本地测试 LangGraph 应用程序 / 317
8．2．6 LangGraph Studio / 319
8．2．7 向 LangGraph 部署中添加语义搜索 / 325
8．2．8 运行时重建图 / 327
8．3 Agent Protocol / 330
8．3．1 标准化的需求和核心组件 / 331
8．3．2 API 细节 / 332
8．3．3 助手和助手 API / 339
8．3．4 数据格式和可扩展性 / 340
8．3．5 助手、线程和运行的应用示例 / 341
8．4 LangGraph 平台的高级功能 / 347
8．4．1 可观测性和调试 / 347
8．4．2 人机环路 / 351
8．4．3 并发和双重文本策略 / 356
8．5 访问控制 / 361
8．5．1 身份验证和授权 / 362
8．5．2 实施自定义身份验证 / 362
8．5．3 实施自定义授权 / 365
8．5．4 常见访问者模式的实现 / 368
8．5．5 接入自定义身份验证 / 370
8．6 RemoteGraph 和 React Hook / 372
8．6．1 使用 RemoteGraph 与已部署的图进行交互 / 372
8．6．2 使用 React Hook 构建交互式前端 / 376
第 9 章 LangGraph 应用开发模板 / 382
9．1 LangGraph 模板简介 / 383
9．1．1 模板中常见的目录结构和编码风格 / 384
9．1．2 使用 LangGraph 模板 / 386
9．2 新项目模板 / 388
9．3 ReAct 智能体模板 / 392
9．4 充实数据智能体模板 / 396
9．5 记忆智能体模板 / 401
9．6 RAG 模板 / 406
9．7 RAG 研究智能体模板 / 412
第 10 章 LangGraph 官方应用案例浅析 / 421
10．1 开放画布 / 422
10．1．1 主要功能和架构概览 / 422
10．1．2 控制流与智能体工作流模式 / 425
10．1．3 核心代码结构及其实现 / 428
10．2 报告大师 / 438
10．2．1 主体功能和架构概览 / 439
10．2．2 工作流 / 441
10．2．3 核心代码结构及其实现 / 443
10．3 Agent Inbox / 450
10．3．1 功能和架构概览 / 450
10．3．2 控制流与环境智能体架构 / 453
10．3．3 核心代码结构及其实现 / 455
第 11 章 AI 智能体技术展望 / 467
11．1 多智能体开发框架的选择 / 468
11．1．1 框架特性介绍 / 468
11．1．2 框架选型分析 / 471
11．2 智能体发展趋势及展望 / 473
11．2．1 基础模型进步推动 AI 智能体成熟 / 473
11．2．2 开发工具链加速智能体落地 / 474
11．2．3 智能体应用的巨大潜力 / 475