langchain-ai/langgraph

LangGraph 受到了众多引领 agent 未来发展的公司的信赖——包括 Klarna、Replit、Elastic 等——它是一个底层编排框架，用于构建、管理和部署长时间运行的有状态 agent。 ``` pip install -U langgraph ``` 如需等效的 JS/TS 库，请查看 [LangGraph.js](https://github.com/langchain-ai/langgraphjs) 和 [JS 文档](https://docs.langchain.com/oss/javascript/langgraph/overview)。 ## 为什么使用 LangGraph？ LangGraph 为*任何*长时间运行的有状态工作流或 agent 提供底层支持基础设施： - **[持久化执行](https://docs.langchain.com/oss/python/langgraph/durable-execution)** — 构建能够在故障中持久存在并可以长时间运行的 agent，自动从上次中断的地方恢复执行。 - **[Human-in-the-loop](https://docs.langchain.com/oss/python/langgraph/interrupts)** — 通过在执行期间的任何时刻检查和修改 agent 状态，无缝融入人工监督。 - **[全面的记忆能力](https://docs.langchain.com/oss/python/langgraph/memory)** — 创建真正有状态的 agent，既具备用于持续推理的短期工作记忆，也拥有跨会话的长期持久记忆。 - **[使用 LangSmith 进行调试](https://www.langchain.com/langsmith)** — 借助可视化工具深入了解复杂的 agent 行为，这些工具可以追踪执行路径、捕获状态转换，并提供详细的运行时指标。 - **[生产就绪的部署](https://docs.langchain.com/langsmith/deployments)** — 自信地部署复杂的 agent 系统，其具备可扩展的基础设施，专为应对有状态、长时间运行工作流的独特挑战而设计。 ## LangGraph 生态系统 虽然 LangGraph 可以独立使用，但它也能与任何 LangChain 产品无缝集成，为开发者提供一套完整的 agent 构建工具。 为了改进您的 LLM 应用开发，可以将 LangGraph 与以下工具结合使用： - [Deep Agents](https://docs.langchain.com/oss/python/deepagents/overview) – 构建能够进行规划、使用子 agent 并利用文件系统处理复杂任务的 agent。 - [LangChain](https://docs.langchain.com/oss/python/langchain/overview) – 提供集成和可组合的组件，以简化 LLM 应用开发。 - [LangSmith](https://www.langchain.com/langsmith) – 有助于 agent 评估和可观测性。调试表现不佳的 LLM 应用运行，评估 agent 轨迹，在生产中获得可见性，并随着时间的推移提高性能。 - [LangSmith Deployment](https://docs.langchain.com/langsmith/deployments) – 使用专为长时间运行、有状态工作流构建的部署平台，轻松部署和扩展 agent。跨团队发现、重用、配置和共享 agent – 并通过 [LangSmith Studio](https://docs.langchain.com/langsmith/studio) 中的可视化原型设计快速迭代。 ## 文档 - [docs.langchain.com](https://docs.langchain.com/oss/python/langgraph/overview) – 全面的文档，包括概念概述和指南 - [reference.langchain.com/python/langgraph](https://reference.langchain.com/python/langgraph) – LangGraph 包的 API 参考文档 - [LangGraph 快速入门](https://docs.langchain.com/oss/python/langgraph/quickstart) – 开始使用 LangGraph 进行构建 - [Chat LangChain](https://chat.langchain.com/) – 与 LangChain 文档聊天并获取您问题的答案 **讨论**：访问 [LangChain 论坛](https://forum.langchain.com) 与社区互动，并分享您所有的技术问题、想法和反馈。 ## 其他资源 - **[指南](https://docs.langchain.com/oss/python/learn)** – 针对流式处理、添加记忆与持久化以及设计模式（例如分支、子图等）等主题的快速、可操作的代码片段。 - **[LangChain Academy](https://academy.langchain.com/courses/intro-to-langgraph)** – 在我们免费的结构化课程中学习 LangGraph 的基础知识。 - **[案例研究](https://www.langchain.com/built-with-langgraph)** – 了解行业领导者如何使用 LangGraph 大规模交付 AI 应用。 - [贡献指南](https://docs.langchain.com/oss/python/contributing/overview) – 了解如何为 LangChain 项目做贡献并找到适合新手的 issue。 - [行为准则](https://github.com/langchain-ai/langchain/?tab=coc-ov-file) – 我们社区的参与指南和标准。 ## 致谢 LangGraph 受到了 [Pregel](https://research.google/pubs/pub37252/) 和 [Apache Beam](https://beam.apache.org/) 的启发。其公共接口的灵感来源于 [NetworkX](https://networkx.org/documentation/latest/)。LangGraph 由 LangChain Inc（LangChain 的创造者）构建，但可以在不使用 LangChain 的情况下独立使用。

标签：DLL 劫持, LangChain, 人工智能, 大语言模型, 工作流编排, 有状态计算, 用户模式Hook绕过, 轻量级, 逆向工具