LangGraph 评测 2026：功能、定价、替代方案

LangGraph 由谁打造，又是如何成为独立产品的？

LangGraph 是什么？

• 状态：一个所有节点都会读取和写入的单一类型化对象（通常是 Python 的 TypedDict），使整个图对到目前为止发生的事情拥有单一的事实来源
• 节点与边：节点是接收当前状态并返回状态更新的普通函数；边（包括条件边）根据该状态决定下一个执行的节点
• 检查点与持久化：可插拔的检查点器（开发阶段用内存保存器，生产环境用 Postgres 等数据库支持的检查点器）在每一步之后保存图的状态，并与线程 ID 绑定，使运行可以准确地从中断处暂停和恢复
• 人工介入：interrupt() 函数会在节点内部暂停执行，并将控制权返回给调用代码；使用 Command(resume=...) 恢复后，同一次图运行会从那个精确点继续——这就是 LangGraph 在不丢失状态的情况下实现审批步骤的方式
• 多智能体与分层图：由于一个节点本身可以调用一个已编译的子图，LangGraph 可以用相同的基础组件支持单智能体、多智能体和分层（主管加工作者）架构
• LangGraph Studio：一个用于检查和逐步跟踪运行中的图的可选可视化工具，独立于核心库

from typing_extensions import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.checkpoint.memory import MemorySaver

class State(TypedDict):
    topic: str
    draft: str

def write_draft(state: State) -> dict:
    return {"draft": f"Draft about {state['topic']}"}

def review_draft(state: State) -> dict:
    return {"draft": state["draft"] + " (reviewed)"}

builder = StateGraph(State)
builder.add_node("write", write_draft)
builder.add_node("review", review_draft)
builder.add_edge(START, "write")
builder.add_edge("write", "review")
builder.add_edge("review", END)

graph = builder.compile(checkpointer=MemorySaver())
result = graph.invoke(
    {"topic": "local LLMs"},
    config={"configurable": {"thread_id": "1"}},
)
print(result["draft"])

LangGraph 收费多少？

• LangGraph（库本身）：在 MIT 许可证下永久免费，支持 Python 和 JavaScript/TypeScript，可自托管或嵌入任意应用
• 自托管自己的智能体：可以在自己的服务器上使用自己的检查点器（例如 Postgres）运行已编译的 LangGraph 图，对 LangChain Inc. 而言零成本——自主管理的生产使用没有许可费
• LangSmith Developer 档：每座席每月 0 美元，1 个座席，每月最多 5,000 条基础追踪记录，之后按用量付费——不包含托管部署
• LangSmith Plus 档：每座席每月 39 美元，座席数不限，每月最多包含 10,000 条基础追踪记录，并包含 1 个免费的小型无服务器 LangGraph 部署，以及对按量计费的 Deployment、Engine 等相关基础设施的访问权限
• LangSmith Enterprise：定制报价，增加自托管/混合部署选项及定制 SLA
• 超出包含额度的部署用量与追踪用量分开计费：算力以 LCU 计费（1 LCU = 1.50 美元），数据库用量以 LSU 计费（1 LSU = 1.00 美元），按 vCPU 小时和 GiB 小时计算
• 2025 年之前以"LangGraph Platform"名义销售的产品，如今按 LangSmith Deployment 计费——已不存在独立的 LangGraph Platform 价目表用于预算规划；它是 LangSmith 套餐内的一个计费项

如何安装并开始使用 LangGraph？

1. 1
   安装软件包：pip install -U langgraph（Python）或 npm install @langchain/langgraph（JavaScript/TypeScript）。
2. 2
   将你的模型提供商 API 密钥设置为环境变量（例如 OPENAI_API_KEY）——LangGraph 本身不提供或代理模型访问；你在节点内部调用所选模型。
3. 3
   定义一个状态模式（如 TypedDict 或类似结构），据此构建一个 StateGraph，用 add_node 注册节点，并用 add_edge 或条件边将它们连接起来。
4. 4
   使用 .compile() 编译图，并传入 checkpointer（开发阶段用内存版的 MemorySaver，生产环境用数据库支持的检查点器），使状态在各步骤及进程重启后依然保留。
5. 5
   在需要人工决策才能继续的节点内使用 interrupt()，并通过在同一线程 ID 上调用 Command(resume=...) 来恢复暂停的运行。
6. 6
   阅读官方 LangGraph 文档并浏览 GitHub 仓库以获取最新 API 参考和 JavaScript/TypeScript 快速上手指南。
7. 7
   可选地部署到 LangSmith Deployment，或在需要生产托管而非本地运行时，将已编译的图自托管在自己的 API 服务器背后。

谁适合使用 LangGraph？

什么情况下不应该使用 LangGraph？

• 一个总是运行同一固定步骤序列一次并返回结果的工作流——简单的函数调用链，或 LangChain 的 create_agent，用更少的代码就能覆盖这一需求
• 团队想要的是基于角色的思维模型——拥有人设、目标和委派子任务的具名智能体——而不是以显式节点和边的方式思考；CrewAI 正是围绕这种抽象设计的
• 团队尚未投入 LangChain 生态系统，希望依赖足迹尽可能小，并且乐于手动管理状态和重试
• 项目的主要需求是多智能体对话模式（智能体在聊天循环中相互辩论或评审彼此的输出），而不是显式的控制流图——AutoGen 正是围绕这种模式构建的
• 当工作流确实存在循环、条件分支、需要暂停等待人工输入，或必须在任务中途挺过重启时，应改用 LangGraph

LangGraph 与替代方案对比

评估 LangGraph 时的常见误区

常见问题

参考来源

延伸阅读

• LangChain 评测：功能、定价、替代方案 — LangGraph 运行时在 create_agent 抽象背后驱动的通用框架。
• CrewAI 评测：基于角色的多智能体框架 — 面向想要具名、有目标的智能体而非显式状态图的团队的角色化替代方案。
• AutoGen 评测：多智能体对话框架 — 微软研究院面向多智能体系统的对话模式替代方案。
• 本地 LLM 软件目录 — 本文所属的本地 AI 工具完整目录，包括 LangGraph 在智能体框架中的定位。
• Langflow 评测：可视化 LangChain 构建器 — 一个可视化拖放界面，无需手写每一个图即可构建 LangChain 和 LangGraph 流程。