LangGraph AI Agent 開發入門教學：從零打造你的第一個智能助手

什麼是 LangGraph？

說真的，當我第一次看到 LangGraph 這個名字的時候，我以為它只是另一個 LangChain 的插件。後來深入研究才發現，這根本是一個獨立的框架，專門為了解決「有狀態、多步驟的 AI Agent 工作流程」而生的。

LangGraph 是由 LangChain 團隊在 2024 年推出的開源框架，核心概念是把 AI Agent 的行為建模成一個有向圖（Directed Graph）。每個節點代表一個執行步驟，邊則決定執行流程的走向。簡單來說，如果你想讓 AI 做「先查資料庫→再呼叫搜尋引擎→根據結果決定下一步」這種複雜的多步驟邏輯，LangGraph 就是為此而生的工具。

為什麼選擇 LangGraph？

LangGraph 解決了幾個關鍵痛點：

• 狀態管理：自動追蹤 Agent 狀態
• 條件分支：根據 LLM 輸出決定路徑
• 可觀察性：每個節點輸入輸出清楚可見
• Human-in-the-loop：可在特定節點暫停等待人工確認

搭配 RAG 文件切分策略，LangGraph 和 RAG 是業界常見的組合。

核心概念：StateGraph、節點與邊

StateGraph 是核心容器，用 TypedDict 定義 Agent 的記憶。節點是 Python 函數，處理狀態並回傳更新。邊決定執行順序，支援普通邊和條件邊。

from typing import TypedDict, Annotated
from langgraph.graph import StateGraph, END
import operator

class AgentState(TypedDict):
    messages: Annotated[list, operator.add]
    iterations: int

實作：打造你的第一個 Agent

安裝：pip install langgraph langchain-openai langchain-community

建立使用搜尋工具的 Agent：定義狀態→寫節點函數→設定路由→組裝圖→執行。搭配 Prompt Engineering 進階技巧讓 Agent 更聰明。

workflow = StateGraph(AgentState)
workflow.add_node("agent", agent_node)
workflow.add_node("tools", tool_node)
workflow.set_entry_point("agent")
workflow.add_conditional_edges("agent", router, {"use_tools":"tools","end":END})
workflow.add_edge("tools", "agent")
app = workflow.compile()

框架比較：LangGraph vs CrewAI vs Pydantic AI

LangGraph 靈活性極高，適合複雜工作流程。CrewAI 上手快，適合多 Agent 協作。Pydantic AI 型別安全，適合 FastAPI 專案。有 LangChain 基礎的人推薦學 LangGraph。

結語與下一步

2026 年 LangGraph API 已趨穩定，現在入門時機很好。建議路徑：跑通範例→加入工具→練習分支→研究 Persistence→Human-in-the-loop。動手做才是最快的學習方式。