LangGraph 介紹

# License

• MIT license ^[1]

# 架構與功能特色

• 以圖狀流程控制多 Agent 協作。
• 每個 Agent 作為圖中的節點，支援 multi-agent 工作流程與迴圈、分支等複雜控制流程​。
• 內建狀態持久化機制提供長期記憶，可在長任務中保留上下文 (checkpoint and snapshot)。^[2][3][4]
• 並提供 Human-in-the-loop 人工審核功能，提升可靠性​。
• 能無縫結合 LangChain 的工具和模型（即插件功能），亦支援串流逐步輸出​。

# 擴充性與客製化

• 提供低階且可組合的基本元素 (Node, Edges, States, Memory 等)，具高度客製彈性​。
• 開發者可自由擴充新的 Agent 節點類型、工具函式、記憶機制等以滿足特殊需求，不受制於固定框架。
• 與 LangChain 生態兼容，可直接調用其現有模組（如資料庫、檢索等）。
• 適合需要深度定制的應用。

# 使用者學習曲線與文件

• 由於採用較底層的圖模型，需要開發者理解狀態機 / 資料流概念和 LangChain 元件，學習曲線略陡。^[5]
• 高度抽象可能對初學者不友好，增加學習曲線。^[6]
• 複雜性管理：
  • 隨著工作流程的複雜化，管理和調優多個代理之間的交互可能變得更加困難。
• 熟悉後可充分利用其靈活性，對工程實踐有一定要求。

# 作為 SDK/API 封裝供整合（Function Calling、MCP 支援）

• 作為 Python 套件提供，易於嵌入其他應用後端。
• 可透過函式呼叫等方式與 GUI 交互，例如在應用中調用 LangGraph Agent 並取得回應。^[7]
• 對 OpenAI Function Calling 等新特性支援良好 —— 實務上可將工具函數註冊進 LangGraph，LLM 會自動選擇調用​ ^[8][9]。
• 亦能配合 Anthropic MCP（模型上下文協議）的思想實現事件驅動交互（如將 Agent 狀態作為共享上下文）。^[10]
• 另外有配套的 LangGraph Studio 可視化介面，方便開發者調試與監控​。
• 整體而言，非常適合作為 SDK 平台供其他系統調用。

# 優缺點總結

# 優點

• 多 Agent 圖論架構帶來高度靈活性，可構築複雜的流程和長期任務，控制精細。
• 內建持久化記憶及人類審核機制，可靠性強​ ^[11]。
• 與 LangChain 生態緊密整合，可直接使用豐富的工具和資源。
• 採 MIT 授權且由知名團隊維護，企業採用意願高。

# 缺點

• 屬低階框架，上手需要較高的工程能力和對 Agent 狀態機的理解
• 實現簡單任務時相對繁瑣。
• 對初學者不夠友好，開發者可能需要調適參數與架構來達到最佳效果。
• 高度模組化也意味著缺少開箱即用的成品模板，需要自行設計 Agent 間的互動。

# 參考資料