LangGraph 提供了两种不同的 API 来构建智能体工作流：图 API 和函数式 API。两种 API 共享相同的底层运行时，并且可以在同一个应用里一起使用，但它们分别适用于不同的使用场景和开发偏好。 本指南将帮助你根据自己的具体需求，决定何时使用哪种 API。

​
快速决策指南

在以下情况下使用图 API：
  • 需要复杂的工作流可视化以进行调试和文档编写
  • 需要显式的状态管理，在多个节点间共享数据
  • 包含多个决策点的条件分支
  • 存在稍后需要合并的并行执行路径
  • 团队协作场景，可视化表示有助于理解
在以下情况下使用函数式 API：
  • 希望对现有过程式代码进行最小的代码改动
  • 采用标准控制流（if/else、循环、函数调用）
  • 需要函数作用域的状态，无需显式的状态管理
  • 快速原型开发，减少样板代码
  • 具有简单分支逻辑的线性工作流

​
详细对比

​
何时使用图 API

图 API 采用声明式方法，你需要定义节点、边和共享状态来创建可视化的图结构。 1. 复杂的决策树和分支逻辑 当你的工作流有多个依赖于不同条件的决策点时，图 API 能让这些分支变得明确且易于可视化。 
# Graph API: 清晰展示决策路径
from langgraph.graph import StateGraph
from typing import TypedDict

class AgentState(TypedDict):
    messages: list
    current_tool: str
    retry_count: int

def should_continue(state):
    if state["retry_count"] > 3:
        return "end"
    elif state["current_tool"] == "search":
        return "process_search"
    else:
        return "call_llm"

workflow = StateGraph(AgentState)
workflow.add_node("call_llm", call_llm_node)
workflow.add_node("process_search", search_node)
workflow.add_conditional_edges("call_llm", should_continue)
2. 跨多个组件的状态管理 当你需要在工作流的不同部分之间共享和协调状态时，图 API 显式的状态管理会很有帮助。 
# 多个节点可以访问和修改共享状态
class WorkflowState(TypedDict):
    user_input: str
    search_results: list
    generated_response: str
    validation_status: str

def search_node(state):
    # 访问共享状态
    results = search(state["user_input"])
    return {"search_results": results}

def validation_node(state):
    # 访问上一个节点的结果
    is_valid = validate(state["generated_response"])
    return {"validation_status": "valid" if is_valid else "invalid"}
3. 带同步的并行处理 当你需要并行运行多个操作然后合并它们的结果时，图 API 可以自然地处理这种情况。 
# 并行处理多个数据源
workflow.add_node("fetch_news", fetch_news)
workflow.add_node("fetch_weather", fetch_weather)
workflow.add_node("fetch_stocks", fetch_stocks)
workflow.add_node("combine_data", combine_all_data)

# 所有获取操作并行运行
workflow.add_edge(START, "fetch_news")
workflow.add_edge(START, "fetch_weather")
workflow.add_edge(START, "fetch_stocks")

# 合并操作等待所有并行操作完成
workflow.add_edge("fetch_news", "combine_data")
workflow.add_edge("fetch_weather", "combine_data")
workflow.add_edge("fetch_stocks", "combine_data")
4. 团队开发与文档 图 API 的可视化特性使团队更容易理解、记录和维护复杂的工作流。 
# 清晰的关注点分离——每个团队成员可以负责不同的节点
workflow.add_node("data_ingestion", data_team_function)
workflow.add_node("ml_processing", ml_team_function)
workflow.add_node("business_logic", product_team_function)
workflow.add_node("output_formatting", frontend_team_function)

​
何时使用函数式 API

函数式 API 采用命令式方法，将 LangGraph 的功能集成到标准的过程式代码中。 1. 现有的过程式代码 当你已有使用标准控制流的代码，并希望以最小的重构代价添加 LangGraph 功能时。 
# 函数式 API：对现有代码的改动最小
from langgraph.func import entrypoint, task

@task
def process_user_input(user_input: str) -> dict:
    # 现有函数，改动极小
    return {"processed": user_input.lower().strip()}

@entrypoint(checkpointer=checkpointer)
def workflow(user_input: str) -> str:
    # 标准的 Python 控制流
    processed = process_user_input(user_input).result()

    if "urgent" in processed["processed"]:
        response = handle_urgent_request(processed).result()
    else:
        response = handle_normal_request(processed).result()

    return response
2. 逻辑简单的线性工作流 当你的工作流主要是顺序执行且只包含简单的条件逻辑时。 
@entrypoint(checkpointer=checkpointer)
def essay_workflow(topic: str) -> dict:
    # 带有简单分支的线性流程
    outline = create_outline(topic).result()

    if len(outline["points"]) < 3:
        outline = expand_outline(outline).result()

    draft = write_draft(outline).result()

    # 人工审核检查点
    feedback = interrupt({"draft": draft, "action": "Please review"})

    if feedback == "approve":
        final_essay = draft
    else:
        final_essay = revise_essay(draft, feedback).result()

    return {"essay": final_essay}
3. 快速原型开发 当你希望快速测试想法，而不需要定义状态模式和图形结构等额外开销时。 
@entrypoint(checkpointer=checkpointer)
def quick_prototype(data: dict) -> dict:
    # 快速迭代——无需定义状态模式
    step1_result = process_step1(data).result()
    step2_result = process_step2(step1_result).result()

    return {"final_result": step2_result}
4. 函数作用域的状态管理 当你的状态自然地局限在各个函数内，不需要广泛共享时。 
@task
def analyze_document(document: str) -> dict:
    # 函数内部的局部状态管理
    sections = extract_sections(document)
    summaries = [summarize(section) for section in sections]
    key_points = extract_key_points(summaries)

    return {
        "sections": len(sections),
        "summaries": summaries,
        "key_points": key_points
    }

@entrypoint(checkpointer=checkpointer)
def document_processor(document: str) -> dict:
    analysis = analyze_document(document).result()
    # 状态按需在函数之间传递
    return generate_report(analysis).result()

​
结合使用两种 API

你可以在同一个应用中同时使用这两种 API。当系统的不同部分有不同的需求时，这会非常有用。 
from langgraph.graph import StateGraph
from langgraph.func import entrypoint

# 使用图 API 进行复杂的多智能体协调
coordination_graph = StateGraph(CoordinationState)
coordination_graph.add_node("orchestrator", orchestrator_node)
coordination_graph.add_node("agent_a", agent_a_node)
coordination_graph.add_node("agent_b", agent_b_node)

# 使用函数式 API 进行简单的数据处理
@entrypoint()
def data_processor(raw_data: dict) -> dict:
    cleaned = clean_data(raw_data).result()
    transformed = transform_data(cleaned).result()
    return transformed

# 在图节点中使用函数式 API 的结果
def orchestrator_node(state):
    processed_data = data_processor.invoke(state["raw_data"])
    return {"processed_data": processed_data}

​
API 之间的迁移

​
从函数式 API 迁移到图 API

当你的函数式工作流变得复杂时，可以迁移到图 API： 
# 迁移前：函数式 API
@entrypoint(checkpointer=checkpointer)
def complex_workflow(input_data: dict) -> dict:
    step1 = process_step1(input_data).result()

    if step1["needs_analysis"]:
        analysis = analyze_data(step1).result()
        if analysis["confidence"] > 0.8:
            result = high_confidence_path(analysis).result()
        else:
            result = low_confidence_path(analysis).result()
    else:
        result = simple_path(step1).result()

    return result

# 迁移后：图 API
class WorkflowState(TypedDict):
    input_data: dict
    step1_result: dict
    analysis: dict
    final_result: dict

def should_analyze(state):
    return "analyze" if state["step1_result"]["needs_analysis"] else "simple_path"

def confidence_check(state):
    return "high_confidence" if state["analysis"]["confidence"] > 0.8 else "low_confidence"

workflow = StateGraph(WorkflowState)
workflow.add_node("step1", process_step1_node)
workflow.add_conditional_edges("step1", should_analyze)
workflow.add_node("analyze", analyze_data_node)
workflow.add_conditional_edges("analyze", confidence_check)
# ... 添加剩余的节点和边

​
从图 API 迁移到函数式 API

当你的图对于简单的线性流程来说过于复杂时： 
# 迁移前：过度设计的图 API
class SimpleState(TypedDict):
    input: str
    step1: str
    step2: str
    result: str

# 迁移后：简化的函数式 API
@entrypoint(checkpointer=checkpointer)
def simple_workflow(input_data: str) -> str:
    step1 = process_step1(input_data).result()
    step2 = process_step2(step1).result()
    return finalize_result(step2).result()

​
总结

当你需要对工作流结构进行显式控制、需要复杂的分支、并行处理或团队协作时，请选择图 API。 当你希望以最小的改动为现有代码添加 LangGraph 功能、工作流较为简单线性或需要快速原型开发时，请选择函数式 API。 这两种 API 都提供了相同的 LangGraph 核心功能（持久化、流式传输、人在回路、记忆），只是将它们封装在不同的编程范式中，以适应不同的开发风格和使用场景。
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.
Edit this page on GitHub or file an issue.