基于LangGraph的基于图的智能体人工智能：长期运行的有状态业务流程的工作流路径
Graph-Based Agentic AI with LangGraph: Workflow Pathways for Long-Running Stateful Business Processes
浏览论文内容
中文总结 AI 辅助
本文为业务流程中的生成式AI系统提供基于图的工作流路径实践指南，提出三种可执行方法展示相关技术协同，按工作流复杂性定位LangGraph，解释其适用场景及实现模式，明确产品行为。
中文摘要 AI 辅助
本文是一份针对业务流程中长时间运行、有状态、多步骤生成式人工智能系统的基于图的工作流路径的实践指南。我们没有将LangGraph（一个用于有状态智能体的低级编排框架）视为模型质量基准目标，而是提出了三个可执行的方法——带修复循环的SQL分析、带证据门控的智能体检索增强生成以及带中断和检查点恢复的人工参与策略审查——以展示类型化状态、条件路由、确定性工具、重试、中断、检查点和跟踪是如何协同工作的。LangGraph是根据工作流复杂性适配定位的，而不是作为通用默认选项：对于基本工具使用，更简单的ReAct风格或普通SDK循环可能更好；对于结构化提取和验证，基于模式的工具更好；当主要目标是提示或程序优化时，DSPy更好。每个方法都解释了何时LangGraph值得额外的结构，以及哪些实现模式使路由、暂停和审计跟踪成为明确的产品行为而不是隐藏的提示逻辑。
英文摘要
This paper is a practitioner guide to graph-based workflow pathways for long-running, stateful, multi-step generative AI systems in business processes. Rather than treating LangGraph, a low-level orchestration framework for stateful agents, as a model-quality benchmark target, we present three executable recipes -- SQL analytics with repair loops, agentic retrieval-augmented generation with evidence gating, and human-in-the-loop policy review with interrupt and checkpoint recovery -- to show how typed state, conditional routing, deterministic tools, retries, interrupts, checkpoints, and traces fit together. LangGraph is positioned by workflow-complexity fit, not as a universal default: simpler ReAct-style or plain SDK loops may be better for basic tool use, schema-first tools for structured extraction and validation, and DSPy when prompt or program optimization is the main goal. Each recipe explains when LangGraph is worth the extra structure and which implementation patterns make routes, pauses, and audit trails explicit product behavior rather than hidden prompt logic.
发表机构
- Dhillon School of Business, University of Lethbridge（莱斯布里奇大学迪隆商学院）
- Universidad de Guadalajara（瓜达拉哈拉大学）
- Al Hussein Technical University（侯赛因技术大学）
- Universidad de Guanajuato（瓜纳华托大学）
机构由 AI 辅助整理，请以论文原文为准。
