官方 README 第一句就把定位讲死了——它不是"又一个 Agent 框架"，而是一个底层编排框架：

Low-level orchestration framework for building stateful agents.
（用于构建有状态智能体的低层编排框架）

README 紧接着列了它提供的五项"底层基础设施"（README.md:35-40）：

初学者最大的困惑就是"LangChain 和 LangGraph 是不是二选一"。看依赖就懂了——LangGraph 依赖 langchain-core，但反过来不成立：

dependencies = [
    "langchain-core>=1.4.7,<2",          # ← 只依赖 core（消息类型/Runnable 接口）
    "langgraph-checkpoint>=4.1.0,<5.0.0",  # 自家的持久化包
    "langgraph-sdk>=0.4.2,<0.5.0",         # 自家的客户端 SDK
    "langgraph-prebuilt>=1.1.0,<1.2.0",    # 自家的预制件（create_react_agent 等）
    "xxhash>=3.5.0",
    "pydantic>=2.7.4",
]

LangGraph 的核心数据结构就是一张有向图：点是"工位"，边是"下一步去哪"。看 StateGraph 类开头的官方描述就明白了这个模型的三条铁律：

class StateGraph(Generic[StateT, ContextT, InputT, OutputT]):
    """A graph whose nodes communicate by reading and writing to a shared state.

    The signature of each node is `State -> Partial<State>`.

    Each state key can optionally be annotated with a reducer function that
    will be used to aggregate the values of that key received from multiple nodes.
    """

仓库根 libs/ 下不是一个包，而是一整个 monorepo（多包同仓）。ls libs/ 的真实结果：

libs/
├── langgraph/              # ★ 核心引擎（本课主战场）
├── checkpoint/             # 持久化"接口 + 内存实现"基座
├── checkpoint-sqlite/      # SQLite 持久化实现
├── checkpoint-postgres/    # PostgreSQL 持久化实现（生产用）
├── checkpoint-conformance/ # 给各 checkpoint 实现跑的一致性测试套件
├── prebuilt/               # 预制件：create_react_agent / ToolNode
├── cli/                    # 命令行工具（本地起服务、部署）
├── sdk-py/                 # Python 客户端 SDK（调远程部署的图）
└── sdk-js/                 # JS 客户端 SDK

一个陌生项目，pyproject.toml 的头部往往一眼透露"它多成熟、支持哪些 Python、官方怎么定位自己"：

[project]
name = "langgraph"
version = "1.2.8"                       # 已是 1.x 稳定版
description = "Building stateful, multi-actor applications with LLMs"
requires-python = ">=3.10"              # 至少 Python 3.10
classifiers = [
    'Development Status :: 5 - Production/Stable',   # ← 生产级稳定
    'Programming Language :: Python :: 3.10',
    'Programming Language :: Python :: 3.13',        # 一直支持到 3.13
]

def __getattr__(name: str) -> Any:
    if name in ["Send", "Interrupt"]:
        warn(f"Importing {name} from langgraph.constants is deprecated. "
             f"Please use 'from langgraph.types import {name}' instead.", ...)
        ...
        return getattr(import_module("langgraph.types"), name)

读任何 Python 包，先看它 __init__.py 的 __all__——那是它愿意让你用的门牌。langgraph.graph 只对外露 6 样东西：

from langgraph.constants import END, START
from langgraph.graph.message import MessageGraph, MessagesState, add_messages
from langgraph.graph.state import StateGraph

__all__ = (
    "END",          # 特殊终点标记
    "START",        # 特殊起点标记
    "StateGraph",   # ★ 最常用：构建图的建造器
    "add_messages", # 消息列表专用 reducer（D08 深入）
    "MessagesState",# 内置的"只有 messages 一个字段"的现成 State
    "MessageGraph", # 已弃用的老写法（下面会看到）
)

START/END 的真身其实只是两个"驻留字符串"常量，一点不神秘：

END = sys.intern("__end__")
"""The last (maybe virtual) node in graph-style Pregel."""
START = sys.intern("__start__")
"""The first (maybe virtual) node in graph-style Pregel."""

再看 MessageGraph 的弃用证据，坐实"跟新不跟老"的原则：

@deprecated(
    "MessageGraph is deprecated in langgraph 1.0.0, to be removed in 2.0.0. "
    "Please use StateGraph with a `messages` key instead.",
    category=None,
)
class MessageGraph(StateGraph):
    ...

把整门课画成一条"从会用到懂原理"的上升曲线，你随时能定位自己在哪一层：

✋ 10 分钟动手（只需终端，不用写代码）

# 1. 看仓库分了哪些包
ls libs/

# 2. 看核心引擎对外露了什么门牌
sed -n '1,12p' libs/langgraph/langgraph/graph/__init__.py

# 3. 看核心引擎的依赖（印证只依赖 langchain-core）
sed -n '31,40p' libs/langgraph/pyproject.toml

# 4. 亲眼看看 START/END 就是两个字符串
sed -n '24,31p' libs/langgraph/langgraph/constants.py

# 5. 数一下核心包里有多少个 .py 文件（感受工程量）
find libs/langgraph/langgraph -name '*.py' | wc -l