学了Spring AI Graph再看LangGraph，发现API几乎一模一样
Java开发者看LangGraph文档最痛苦的不是概念难，而是同一个东西换了名字。本文6张对照表+代码对比，帮你5分钟打通两个框架。
先说结论
LangGraph和Spring AI Graph，底层模型完全一样：有向图 + 共享状态 + 节点执行 + 边路由。甚至StateGraph这个类名都一样。
真正的差异只有两处：
- 术语不同：Reducer→KeyStrategy，TypedDict→OverAllState
- 语言表达不同：Python用装饰器/字典，Java用Builder/Map
这篇文章把这两处差异一次性讲清楚。
一、状态管理：术语差异最大
这是最容易搞混的部分。
| 概念 | LangGraph (Python) | Spring AI Graph (Java) |
|---|---|---|
| 状态定义 | TypedDict+Annotated | OverAllState+KeyStrategy |
| 状态追加 | Annotated[list, operator.add] | KeyStrategy.APPEND |
| 状态覆盖 | 不加注解的字段 | KeyStrategy.REPLACE |
Python版：
class AgentState(TypedDict): messages: Annotated[list, operator.add] # 追加 next_action: str # 覆盖Java版：
KeyStrategyFactory factory = KeyStrategyFactory.builder() .keyStrategy("messages", KeyStrategy.APPEND) .keyStrategy("nextAction", KeyStrategy.REPLACE) .build(); StateGraph graph = new StateGraph(factory);本质一样：追加还是覆盖，就是Reducer/KeyStrategy要解决的事。
二、节点与边：API比想象中更像
| 概念 | LangGraph | Spring AI Graph |
|---|---|---|
| 添加节点 | add_node("name", fn) | addNode("name", AsyncNodeAction.node_async(fn)) |
| 普通边 | add_edge("a", "b") | addEdge("a", "b") |
| 起始边 | add_edge(START, "a") | addEdge(START, "a") |
| 条件边 | add_conditional_edges(src, fn, map) | addConditionalEdges(src, AsyncEdgeAction.edge_async(fn), map) |
| 并行分叉 | 多次add_edge(START, "a") | addEdge(START, List.of("a", "b")) |
| 并行汇聚 | add_edge(["a","b"], "c") | addEdge(List.of("a","b"), "c") |
注意看：addNode/addEdge/addConditionalEdges，连方法名都只差下划线和驼峰。
条件边对比
Python：
workflow.add_conditional_edges( "reviewer", route_decision, {"continue": "planner", "done": END, "retry": "executor"} )Java：
graph.addConditionalEdges( "reviewer", AsyncEdgeAction.edge_async(routeDecision), Map.of("continue", "planner", "done", END, "retry", "executor") );映射逻辑完全一致，Java只是多了AsyncEdgeAction的异步包装。
并行写法差异
Python并行分叉需要多次连边：
workflow.add_edge(START, "code_check") workflow.add_edge(START, "style_check") workflow.add_edge(["code_check", "style_check"], "merge")Java可以一步传List：
graph.addEdge(START, List.of("codeCheck", "styleCheck")); graph.addEdge(List.of("codeCheck", "styleCheck"), "merge");Java这边反而更简洁。
三、持久化与恢复：几乎一致
| 概念 | LangGraph | Spring AI Graph |
|---|---|---|
| 内存检查点 | MemorySaver() | InMemoryCheckpointSaver |
| 数据库检查点 | PostgresSaver(conn) | 自定义实现 |
| 编译时启用 | compile(checkpointer=...) | compile(config) |
| 获取/恢复状态 | get_state()/update_state() | getState()/updateState() |
两边都是Pregel模型的标准实现，命名和用法几乎一致。
四、人机交互：Python更灵活
| 概念 | LangGraph | Spring AI Graph |
|---|---|---|
| 中断 | interrupt(value) | interruptsBefore/interruptsAfter |
| 恢复 | Command(resume=...) | 继续调用invoke |
Python的interrupt()可以在节点函数内部随时中断，Java目前需要在编译时声明中断点。这是Java版目前的一个局限。
五、ReAct Agent写法
LangGraph：一行搞定
from langgraph.prebuilt import create_react_agent agent = create_react_agent(model, tools, checkpointer=MemorySaver())Spring AI Graph：两种方式
简单场景用ChatClient：
var chatClient = ChatClient.builder(chatModel) .defaultTools(toolCallbackProvider) .build();复杂场景用Graph编排：
StateGraph graph = new StateGraph(factory); graph.addNode("llm", AsyncNodeAction.node_async(llmNode)); graph.addNode("tool", AsyncNodeAction.node_async(toolNode)); graph.addEdge(START, "llm"); graph.addEdge("llm", "tool"); graph.addConditionalEdges("tool", AsyncEdgeAction.edge_async(routeNode), Map.of("continue", "llm", "done", "end")); graph.addEdge("end", END);选型原则：简单工具调用用ChatClient，需要多步编排/人工介入才用Graph。
六、术语速查表
LangGraph Spring AI Graph ────────── ────────────── StateGraph ↔ StateGraph（同名！） TypedDict ↔ OverAllState Annotated + Reducer ↔ KeyStrategy add_node() ↔ addNode() + AsyncNodeAction add_edge() ↔ addEdge() add_edge()×N (fan-out) ↔ addEdge(src, List.of(...)) add_edge([...], tgt) ↔ addEdge(List.of(...), tgt) add_conditional_edges() ↔ addConditionalEdges() + AsyncEdgeAction compile() ↔ compile() MemorySaver ↔ InMemoryCheckpointSaver PostgresSaver ↔ 自定义CheckpointSaver interrupt() ↔ interruptsBefore/After Command(goto=) ↔ 条件路由 create_react_agent() ↔ ChatClient + Tools LangSmith ↔ Micrometer + OTel选型建议
| 场景 | 选LangGraph | 选Spring AI Graph |
|---|---|---|
| 团队技术栈 | Python | Java/Spring |
| 可观测性 | LangSmith深度集成 | Micrometer + OTel |
| 企业级部署 | 需自建 | Spring安全体系天然支持 |
| 和业务集成 | 需跨语言 | 直接融入Spring微服务 |
| 生态丰富度 | LangChain生态最全 | 快速追赶中 |
Java开发者的现实问题：用Python写Agent、Java写业务，两套代码库维护成本翻倍。Spring AI Graph的价值就是——不换语言，做同样的事。
但核心观点是：框架只是实现，图状态机这个模型才是本质。理解了模型，换框架只是API转换。
参考资料：
- LangGraph 官方文档（langchain-ai/langgraph，2026）
- Spring AI Alibaba Graph 源码（alibaba/spring-ai-alibaba，2026）
- Spring AI Alibaba Graph 并行节点文档（java2ai.com）