用 LangChain 串一個「問問題 → 查資料 → 回答」的流程很快。但只要需求變複雜一點——agent 要能反覆嘗試、失敗了重來、中途等人審核、多個 agent 分工——你就會發現 LangChain 那種一路到底的「鏈」不太夠用了。LangGraph 就是補這一塊的。
一句話講：LangGraph 是 LangChain 團隊出的 agent 編排框架，用「圖」加「共享狀態」來建構有狀態、多步驟、能循環、能分支的 AI agent。跟 LangChain 的線性鏈比，它更底層、更可控，天生支援「繞回上一步再試一次」這種循環邏輯。截至 2026 年 7 月，Python 主 repo 在 GitHub 有約 3.7 萬顆星（注意：網路上不少文章寫「12 萬星」是把整個 LangChain 生態算進去的灌水數字，別被騙），Klarna、Replit、LinkedIn 等都在用。
先搞懂三個核心概念
- State（狀態）：一個貫穿整張圖流動的資料物件，agent 每做一步就更新它。這是 LangGraph 的一等公民，你得先定義好要記什麼。
- Node（節點）：一個個「做事」的單元——呼叫模型、呼叫工具、做判斷。吃進狀態、做一件事、更新狀態。
- Edge（邊）：決定下一步走哪個節點。可以是固定的，也可以看當前狀態決定分支，甚至繞回前面的節點形成循環——這正是它跟線性鏈最大的差別。
把 agent 畫成一張「節點連成的流程圖、狀態在裡面流動」，你就抓到 LangGraph 的精神了。
為什麼複雜 agent 需要它
- 循環與重試：agent 可以「試 → 檢查 → 不滿意再回頭試」，反思迴圈直接用圖表達，不用歪招硬繞。
- 人在迴圈（human-in-the-loop）：能在執行中暫停、存檔、等人審核或修改後，再從斷點續跑——等幾秒或幾小時都行。
- 持久化與記憶：內建 checkpoint 自動存執行狀態，伺服器重啟、長流程被打斷都能接回來，還支援跨 session 的長期記憶。
- 多 agent 協作：多個 agent 分工、路由，官方主打的場景之一，被不少人評為多 agent 編排的首選。
免費開源，但生產部署那層要錢
核心框架是 MIT 授權、完全免費，Python 和 JavaScript 都支援，模型不綁供應商——經 LangChain 整合，GPT、Claude、Gemini 到本地的 Ollama 都能接。
但有個容易忽略的細節：負責正式上線的伺服器執行元件（langgraph-api）不是 MIT，而是 Elastic License 2.0，等於「框架免費、官方託管執行層要付費」的 open-core 模式。官方託管服務原本叫 LangGraph Platform，2025 年 10 月已併入改名為「LangSmith Deployment」；搭配的 LangSmith（追蹤與評估）Plus 方案大約每席 $39/月起。自己想省，也可以只用開源框架、自己架執行環境。
什麼時候該用、什麼時候別用
該用：需要循環／重試、有狀態、可續跑的長流程、人在迴圈審批、多 agent 路由，或要「確定性＋agentic 混合、重度客製、嚴格控制流程」的複雜 agent。LangGraph 1.0 已在 2025 年 10 月正式 GA，2026 年 7 月更新到 1.2.8，穩定度可以放心。
別用：如果你只是做單純的 RAG 問答、一個線性的聊天機器人、單一 agent 呼叫幾個工具——那用 LangChain 的鏈就夠了，套 LangGraph 是殺雞用牛刀。想要更「開箱即用、視覺化拉流程」而不想寫這麼底層的程式碼，可以看 Dify。
誠實缺點：學習曲線陡、抽象較重——你得自己定義狀態、節點、邊、條件路由，比高階框架囉唆；對簡單任務是過度工程；生產部署還藏著授權成本。它是給「真的需要複雜可控 agent」的人用的，不是入門玩具。
延伸閱讀：Dify：不想寫底層程式碼？視覺化建 AI 應用、Firecrawl：幫 agent 抓乾淨網頁資料、Ollama：本地跑 LLM、CrewAI：上手更快的多 Agent 框架。
※ 本文為工具介紹與使用心得整理，資訊（功能、定價、授權）截至 2026 年 7 月，AI 工具更新極快，star 數、版本與方案請以 LangGraph 官方 GitHub 與 LangChain 官網當下為準。文中不含任何投資建議。
發表迴響