• Agent开发首选框架：LangChain

说到现阶段目前最流行、最通用的Agent开发框架，毫无疑问，肯定是LangChain。LangChain作为2022年就已经开源的元老级开发框架，历经数年的发展，其功能和生态都已非常完善，并且拥有数量众多的开发者。在我们团队统计的今年第一季度大模型岗位JD中，有90%以上的Agent开发岗位要求掌握LangChain，可以说LangChain就是目前最通用、最流行的Agent开发框架没有之一。

• LangChain的技术架构思路

不过，由于LangChain诞生时间较早，在2022年末，GPT-3.5刚诞生之时，开发者对大模型的想象主要是希望用其搭建一个又一个工作流，而这也成为LangChain的核心技术目标，LangChain中“Chain”就是指链、也就是搭建工作流的意思。

而且当时Function calling功能尚未诞生、大模型普遍性能较弱，并且2023年各类大模型百花齐放，但接口混乱、且上下文很短，开发者调用和开发都非常麻烦。因此，LangChain初始的核心架构有两层，第一层是围绕各类模型接入设置统一的接口，而为了让各类模型接入更加统一和稳定，LangChain不惜为不同的模型单独开发一个库，例如要接入Claude模型，我们就需要提前安装langchain-anthropic，而如果要接入DeepSeek模型，则需要安装langchain-deepseek。这么做虽然过程麻烦，但却能很好的保障开发过程的稳定性。

各类模型接入列表：https://python.langchain.com/docs/integrations/chat/

但是，大模型基座模型能力在飞速进化，例如目前最新一代的大模型，不仅拥有非常强悍的外部工具识别和调用能力，还原生就支持多工具并联和串联调用，而开发者对于大模型应用开发的需求也在快速变化，单纯的构建这种线性的工作流，可拓展性并不强。

不过，伴随着Agent开发飞速发展，很快LangChain就意识到，要真正满足新一代Agent开发需求，仅靠Agent API是完全不够的，因此在23年下半年，LangChain开源了一个实验性质项目——LangGraph。

更多体系教学，公号【赋范空间】打99

• LangGraph核心技术概念

LangGraph和LangChain同宗同源，底层架构完全相同、接口完全相通。从开发者角度来说，LangGraph也是使用LangChain底层API来接入各类大模型、LangGraph也完全兼容LangChain内置的一系列工具。换而言之，LangGraph的核心功能都是依托LangChain来完成。但是和LangChain的链式工作流哲学完全不同的是，LangGraph的基础哲学是构建图结构的工作流，并引入“状态”这一核心概念来描绘任务执行情况，从而拓展了LangChain LCEL链式语法的功能灵活程度。

• LangGraph的本质：LangChain的高级编排工具

不过需要注意的是，LangGraph是基于LangChain进行的构建，无论图结构多复杂，单独每个任务执行链路仍然是现行的，其背后仍然是靠着LangChain的Chain来实现的。因此我们可以这么来描述LangChain和LangGraph之间的关系，LangGraph是LangChain工作流的高级编排工具，其中“高级”之处就是LangGraph能按照图结构来编排工作流。

• LangGraph的技术架构

• LangGraph的高层封装API

• LangGraph运行监控框架：LangSmith

LangSmith官网地址：https://docs.smith.langchain.com/
LangSmith 是一款用于构建、调试、可视化和评估 LLM 工作流的全生命周期开发平台。它聚焦的不是模型训练，而是我们在构建 AI 应用（尤其是多工具 Agent、LangChain/Graph）时的「可视化调试」、「性能评估」与「运维监控」。

• LangGraph图结构可视化与调试框架：LangGraph Studio

LangGraph Studio官网地址：https://www.langgraph.dev/studio
LangGraph Studio 是一个用于可视化构建、测试、分享和部署智能体流程图的图形化 IDE + 运行平台。

• LangGraph服务部署工具：LangGraph Cli

LangGraph Cli官网地址：https://www.langgraph.dev/ （需要代理环境）
LangGraph CLI 是用于本地启动、调试、测试和托管 LangGraph 智能体图的开发者命令行工具。

而一旦应用成功部署上线，LangGraph Cli还会非常贴心的提供后端接口说明文档：

而对于LangGraph构建的智能体，除了能够本地部署外，官方也提供了云托管服务，借助LangGraph Platform，开发者可以将构建的智能体 Graph部署到云端，并允许公开访问，同时支持支持长时间运行、文件上传、外部 API 调用、Studio 集成等功能。

• LangGraph Agent前端可视化工具：Agent Chat UI

• LangGraph内置工具库与MCP调用组件

此外，LangChain是最早支持MCP的开发框架之一，借助langchain-mcp-adapters，LangChain和LangGraph便可快速接入各类MCP工具。

• LangGraph VS LangGraph

更多体系教学，公号【赋范空间】打99

• LangGraph VS OpenAI Agents SDK

• LangGraph VS 谷歌ADK

本文较长，建议点赞收藏，以免遗失。更多AI大模型应用开发学习视频内容和资料，尽在聚客AI学院（官网-聚客AI学院大模型应用开发微调项目实践课程学习平台）

前言：Human-in-the-Loop（HIL）是一种AI系统设计模式，它允许人类在AI Agent的决策过程中介入并提供反馈或决策。在HIL系统中，AI Agent在执行某些关键操作前会暂停，等待人类的审批或输入，然后再继续执行。 这种模式特别适用于高风险或敏感的操作场景

在金融交易、数据库管理、医疗诊断等高危场景中，AI Agent的自主决策存在两类核心风险：

1. ​​不可逆操作​​（如删除数据库记录、大额转账）
2. ​​模糊决策场景​​（如医疗方案推荐）
   传统解决方案采用全流程人工审批，导致效率骤降50%以上。而HIL架构通过​​精准断点控制​​，仅在关键节点介入，实现效率与安全的动态平衡。
   
   

class State(TypedDict):

user_input: str model_response: str user_approval: str # 人类决策状态容器

• 通过有向图节点（开始/检测/执行/结束）流转任务
• 执行节点（红色）自动隔离高风险操作

memory = MemorySaver() # 状态快照存储 

• 保存运行时上下文（变量/环境/执行位置）
• 人类决策后从断点精确恢复执行

tool_node = ToolNode(tools) # 封装外部API workflow.add_conditional_edges(“agent”, should_continue, { 
"continue": "action", "run_tool": "action", # 高风险工具调用路径 "end": END 
 
})

• 动态拦截delete_weather_from_db等危险工具调用

AI Agent处理用户转账请求，当金额>10万元时触发人工审批

# 动态断点检测逻辑 def should_continue(state): 
last_msg = state["messages"][-1] if last_msg.tool_calls and last_msg.tool_calls[0]["name"] == "bank_transfer": transfer_amount = parse_amount(last_msg.tool_calls[0]["args"]) # 解析交易金额 if transfer_amount > : # 动态阈值检测 return "require_approval" # 触发审批断点 return "continue" 
 
# 审批节点绑定 workflow.add_conditional_edges(“agent”, should_continue, {
 
"require_approval": "approval_node", # 转向人工审批 "continue": "action" 
 
})

1. 用户输入：”向账户6217​​​​转账150万元”
2. Agent解析请求，识别为bank_transfer工具调用
3. 动态断点检测金额超阈值 → 暂停并保存状态
4. 风控人员收到审批请求（含转账详情/风险评估）
5. 人工决策后更新状态： snapshot.values[“user_approval”] = “批准” # 或“拒绝”
6. Agent从断点继续执行或终止

• ​​增量状态存储​​：仅保存变更数据（Delta State）减少序列化开销
• ​​断点预测预热​​：提前加载审批人员工作台减少等待延迟
• ​​审批超时熔断​​：设置2小时自动拒绝机制防止流程阻塞

# 四眼原则审批实现 def quadruple_approval(state): 
approvals = state.get("approvals", []) if len(approvals) < 4: raise InterruptionRequired # 触发二次中断 return all(approval == "通过" for approval in approvals[-4:])

笔者结语：随着AI技术的不断进步，AI Agent将在更多领域发挥重要作用。然而，技术的力量必须与人类的智慧相结合，才能真正实现安全、高效的自动化。 Human-in-the-Loop（HIL）正是实现这一目标的关键技术。由于文章篇幅有限，关于AI Agent相关技术知识点，我整理成了一个2W字的文档，粉丝朋友自行领取：《想要读懂AI Agent（智能体），看这里就够了》

如果本次分享对你有所帮助，记得告诉身边有需要的朋友，"我们正在经历的不仅是技术迭代，而是认知革命。当人类智慧与机器智能形成共生关系，文明的火种将在新的维度延续。"在这场波澜壮阔的文明跃迁中，主动拥抱AI时代，就是掌握打开新纪元之门的密钥，让每个人都能在智能化的星辰大海中，找到属于自己的航向。

简单来说：

1、LangGraph是一种用“图”的方式配置AI Agent的技术，是Langchain生态的一部分。因为Agent要用到Function Call、Tools和执行代码，程序的运行流程有时候是个黑盒子，比如LLM的返回也许就触发不了Tools，造成了Agent的运行难于定义与预测。采用LangGraph，可以按程序员所熟知的“流程图”的方式框定Agent的执行流程，让Agent执行更透明一些。

2、Autogen是微软出品，侧重点在生成代码和执行代码。

3、Crewai是一个多智体框架，用于定义多个Agent相互协作来完成用户设定的任务，比如一个软件开发Agent应用场景中，有需求师、设计师、编码员等，就适合用Crewai。