源
LangGraph：有状态 Agent 的显式图架构
StateGraph 定义节点和边——与 Claude SDK / Codex 的隐式循环形成鲜明对比
Durable execution · Human-in-the-loop · 短期工作记忆 + 长期会话记忆 · LangSmith 可视化追踪——显式图 vs 隐式循环，是 agentic systems 内部的范式分歧。
显式图LangGraph
graph = StateGraph(MessagesState)
graph.add_node(mock_llm)
graph.add_edge(START, “mock_llm”)
graph.add_edge(“mock_llm”, END)
隐式循环Claude SDK / Codex
while not done:
response = model(prompt)
if tool_call: execute()
else: done = True
显式图
隐式循环
可预测性
高 · 编译时确定
低 · 模型自主
灵活性
受拓扑限制
高 · 应对未预见
调试
易 · 可视化转换
难 · 推理决策链
模型依赖
低 · 代码控制
高 · 依赖能力
长期取向流程固定场景（审批、合规）→ 显式图；模型能力提升 + harness engineering 趋势减少硬编码结构 → 隐式循环可能在长期占优
→ agentic-systems · implicit-loop-architecture · harness-engineering · durable-executionlangchain-ai.github.io/langgraph
LangGraph Documentation
- 来源:
sources/langgraph-documentation.md - URL: https://langchain-ai.github.io/langgraph/
- 作者: LangChain
- 截取: 2026-04-07
摘要
LangGraph 是 LangChain 提供的低层编排框架，用于构建有状态的 agent。被 Klarna、Uber、J.P. Morgan 等企业采用。强调”耐久执行”（durable execution）、human-in-the-loop、流式处理和内存管理。
核心特性
| 功能 | 说明 |
|---|---|
| Durable execution | agent 在故障后从检查点恢复 |
| Human-in-the-loop | 执行中检查和修改 agent 状态 |
| 内存管理 | 短期工作记忆 + 长期会话记忆 |
| LangSmith 集成 | 可视化执行追踪和状态转换 |
| 生产部署 | 有状态工作流的可扩展基础设施 |
显式图架构
LangGraph 采用 StateGraph 定义节点和边的有向图：
graph = StateGraph(MessagesState)
graph.add_node(mock_llm)
graph.add_edge(START, "mock_llm")
graph.add_edge("mock_llm", END)这是与 implicit loop architecture（Claude Agent SDK、Codex 采用的隐式循环）形成鲜明对比的范式。显式图在编译时确定流程拓扑；隐式循环由模型在运行时自主决定路径。
两种范式的取舍
| 显式图 (LangGraph) | 隐式循环 (Claude SDK / Codex) | |
|---|---|---|
| 可预测性 | 高——流程在编译时确定 | 低——模型自主决策 |
| 灵活性 | 受限于预定义拓扑 | 高——可应对未预见的情况 |
| 调试 | 易——状态转换可视化 | 难——需推理模型决策链 |
| 模型依赖 | 低——结构由代码控制 | 高——依赖模型能力 |
对 Agent 工程的意义
LangGraph 代表了 agentic systems 中 workflow 端的工程选择。对于流程固定、可预测性优先的场景（如企业审批流、合规检查），显式图可能是更合适的选择。但随着模型能力提升，harness engineering 的趋势指向减少硬编码结构——这暗示隐式循环范式可能在长期占优。
References
sources/langgraph-documentation.md