• 一句话定义：LangGraph 是一个用于构建强大、有状态、可循环的 LLM 应用的框架。它不是替代 LangChain，而是其能力的延伸。
• 核心功能：它将多步骤的复杂任务流程，构建成一个“图”（Graph）。图中的每个节点代表一个计算步骤（如调用大模型、执行工具），边则代表流程的走向。
• 解决的关键问题：传统的链式（Chain）结构是线性的，而 LangGraph 允许创建带有循环的流程，这对于实现 Agent（智能体）的“思考-行动-观察”迭代循环至关重要。

构建一个 LangGraph 应用，主要涉及以下几个核心概念，无需深入代码即可理解：

• 状态 (State)：定义一个贯穿整个流程的“记忆体”，用于在不同节点间传递和更新信息。
• 节点 (Nodes)：流程中的每一个“动作单元”。可以是一个 LLM 调用、一个工具执行，或是一段普通的业务逻辑。
• 边 (Edges)：连接节点的“流程线”。可以是固定的，也可以是条件性的（根据节点输出决定走向）。
• 核心引擎 (LLM) & 工具 (Tools)：负责推理决策和与外部世界交互。

它的使用门槛：入门容易，精通有深度。简单的流程可以快速搭建；复杂的 Agent 则需要更精细的设计。

• 白盒化与可调试性：最大的优势之一。由于每一步都是一个独立的节点，我们可以清晰地追踪数据流转和程序状态，轻松定位问题所在，而不是面对一个难以捉摸的“黑盒”。
• 高度的灵活性与控制力：可以自由设计复杂的逻辑，包括循环、分支和回溯，实现精细化的流程控制。
• 持久化与可中断：支持保存当前执行状态，并在之后从断点处恢复执行，非常适合长耗时任务。

MCP（模型上下文协议）是一套用于标准化 AI 工具和服务的开放协议，可以简单理解为 AI 领域的 OpenAPI/Swagger 规范。

• 核心价值：通过统一的格式定义工具，实现不同框架（如LangGraph）间的无缝调用与解耦。
• 关键实现：通过 MCP Server 可将任何函数或工作流打包成一个独立的、可远程调用的网络服务。

将一个完整的 LangGraph 工作流变成一个标准的 MCP 工具，过程非常直接：

• 核心封装：将 LangGraph 工作流的调用逻辑（invoke）封装在一个标准的 Python 函数中。
• 声明为工具：在该函数上方加上一个简单的装饰器，如 @mcp.tool()，即可将其声明为一个 MCP 工具。
• 部署优化：
  • 异步改造：为提高服务性能，需将同步工作流改造为异步模式。
  • 拆分初始化与调用：将耗时的初始化操作放在服务启动时执行，MCP 工具本身只负责轻量的调用。

反过来，在 LangGraph 内部调用一个已经存在的 MCP 工具也非常方便：

• LangChain 官方提供了相应的集成库。
• 只需提供 MCP Server 的服务地址（URL），就可以像调用本地函数一样，轻松地在 LangGraph 的节点中调用远端的任何 MCP 工具。

• 无需编写复杂脚本，使用MCP Inspector工具 （需要node环境：powershell运行 npx @modelcontextprotocol/inspector）。
• 这是一个可视化界面，可连接到 MCP Server，自动列出所有工具，并直接在界面上输入参数进行测试，非常直观、高效。

除了 MCP，将 LangGraph 工作流封装成一个标准的 HTTP 接口也是常见的做法。以 FastAPI 框架为例，只需创建一个 API 路由，在处理函数中调用工作流并返回结果即可。

• 如何操作：在 Dify 中添加“Agent”节点，配置好 MCP Server 地址。
• 调用方式：可由 LLM 根据 Prompt 自行决策调用，也可通过提示词强制调用。

• 如何操作：在 Dify 中添加“HTTP 请求”节点。
• 配置：直接配置封装好的 HTTP 接口的 URL、请求方法和参数等。

• HTTP 节点：直接、高效、稳定。适用于流程固定的场景。
• MCP Agent 节点：智能、灵活。适用于需要大模型根据上下文动态决策的复杂场景。

它们是互补的。我们用 LangGraph 构建一个强大的、具有复杂内部逻辑的“积木块”（如 ReAct Agent），然后将这个“积木块”通过 MCP 或 HTTP 接入 Dify，在 Dify 的画布上与其他能力一起，搭建成一个完整的应用。

构建了一个融合本地知识库、RAG、ReAct 等技术的 LangGraph 工作流，用于理解代码并自动生成注释。该工作流已完成技术验证，为团队积累了宝贵经验。

工作流结构示意图：

将 LangGraph 重构为一个通用的、具备“思考-行动-观察”迭代的 ReAct 策略的 Agent。该 Agent 已通过 HTTP 接口接入 Dify，展现了 LangGraph 作为复杂逻辑核心的强大能力。

工作流结构示意图：

• 在上述探索过程中，遇到并解决了一些问题，例如模型调用、向量数据库构建、LangGraph使用、MCP等。
• 这些经验和“踩过的坑”已经系统性地总结并分享在语雀中。
• 查找路径： 算法团队（AgenticTools） → 分享记录 → 新人双周报 → 校招 → 实习 → 刘晓枫 → 避坑
• 文档链接： 点击此处直接访问 https://quicktron.yuque.com/mkx9l1/xdu8pp/nux39i2vvswkz50q
• 欢迎大家查阅交流，共同进步，避免重复投入时间。