前言

写作动机

当你用 LangChain 构建了第一个 RAG 应用后，你很快会遇到一个问题：真实世界的 AI 工作流远比一条直线管线复杂。

你需要循环——Agent 调用工具后需要回到模型继续推理。你需要分支——根据模型输出动态决定下一步。你需要并行——多个 Agent 同时工作然后合并结果。你需要持久化——用户关掉浏览器明天回来要能继续。你需要人工介入——关键决策需要人类审核。

这些需求催生了 LangGraph。

LangGraph 不是 LangChain 的简单扩展，而是一个独立的有状态工作流引擎。它的核心设计灵感来自 Google 的 Pregel 分布式计算框架——将 AI 工作流建模为图中的节点和边，节点通过共享状态通信，边决定控制流转。

这本书讲什么

本书从 LangGraph 的源码出发，回答那些文档不会告诉你的问题：

• StateGraph.compile() 到底做了什么？图定义如何变成可执行的 Pregel 引擎？
• Channel 的版本追踪机制如何实现"哪些节点需要被触发"的高效判定？
• Checkpoint 如何实现时间旅行——回退到任意历史步骤并从那里分叉？
• interrupt() 如何暂停整个执行图并在外部输入后恢复？
• 子图如何通过命名空间隔离状态，又如何通过 Command 与父图通信？

每一章大量使用 Mermaid 图表可视化复杂的数据流、状态机和执行时序。

源码版本

本书基于 LangGraph 1.1.6 和 langgraph-checkpoint 4.0.1 源码分析。

git clone https://github.com/langchain-ai/langgraph.git

核心代码在 libs/langgraph/langgraph/ 和 libs/checkpoint/ 目录下。

致谢

感谢 LangChain 团队和 Nuno Campos 创建了 LangGraph，让构建复杂的有状态 AI 工作流成为可能。