隨著 AI Agent 概念逐漸成熟，越來越多開發者希望讓 Agent 不只是單次回答，而是能 持續執行任務、分階段規劃、並在需要時分支決策。
然而，光靠 LLM 並不足以做到「複雜流程的可控性」，這就是 LangGraph 出現的理由。

AI Agent 的需求：從單步推理到多階段任務

一個 AI Agent 的核心能力，是能根據使用者需求採取行動，例如：
幫忙規劃一趟旅遊行程
分析財務數據並產生報告
與其他 Agent 協作解決問題
問題在於，這些任務往往 不是一步就能完成，而需要：
任務拆解（分成多個小步驟）
條件判斷（根據情況分支，不同情境走不同路徑）
狀態記錄（保持上下文，不要每一步都重新開始）
這些需求，正是 LangGraph 與 AI Agent 的契合點。

LangGraph 是什麼？

白話來說，LangGraph 是 LangChain 的進階版流程控制工具，它把整個 AI 任務看成一個「有狀態的圖 (Graph)」。
節點 (Node) → 代表一個步驟（例如：規劃行程 / 查天氣 / 預訂飯店）。
邊 (Edge) → 代表步驟之間的連結（例如：先查天氣 → 再決定要不要帶雨具）。
狀態 (State) → 任務執行中的資料（例如：使用者輸入、前一步的輸出結果）。
透過這種「圖結構」，LangGraph 幫助 AI Agent 有條理地分階段執行，而不是毫無結構地一次性生成答案。

流程控制：讓 AI Agent 有「腳本」可依循

傳統的 LLM 使用方式像是「丟一個 prompt → 拿一個答案」。
但在複雜任務中，我們需要「流程控制」：
決策分支
如果使用者輸入的是「旅遊地點」→ 先查交通資訊
如果輸入的是「時間範圍」→ 先查天氣
循環 (Loop)
一直檢查資料來源是否正確，不對就重試
或者不斷呼叫 API，直到拿到符合條件的結果
條件控制
只有在「確認資料正確」後，才進入下一步
在 LangGraph 中，這些流程控制可以用 圖的路徑設計來實現。
這意味著 AI Agent 不再是隨機生成答案，而是按照「流程圖」去走。