纲要什么是LangGraph Cloud准备工作注册账户并升级准备 GitHub 仓库部署流程创建新部署关联仓库与分支注入环境变量自动构建与上线云端调试使用LangGraph Studio远程调试监控与日志完整可运行示例项目结构图定义代码配置文件本地测试与推送总结与相关度说明什么是 LangGraph CloudLangGraph Cloud是 LangChain 官方提供的多智能体托管平台它把LangGraph Server、LangGraph CLI和LangGraph Studio的能力搬到了云端。你只需要在本地编写图结构并推送到 GitHub平台就会自动构建、部署并提供可访问的 API 端点同时支持流式输出、状态持久化、人机协作等生产级特性。对于想要快速交付 AI 应用又不想运维服务器的团队来说这是一个理想的选择。准备工作注册并升级账户在 smith.langchain.com 注册账号获取 API Key。进入LangGraph Platform页面点击 “Upgrade” 提交申请。目前采用白名单制审核通过后会获得 250 美元的免费云资源额度。准备 GitHub 仓库你的项目需要托管在 GitHub 上并遵循特定的目录结构deploy-to-cloud/ ├── my_agent/ │ ├── __init__.py │ └── graph.py # 图定义 ├── langgraph.json # 部署配置 ├── requirements.txt # 依赖 ├── .env # 环境变量不上传通过平台注入 └── README.md部署流程1. 创建新部署登录LangSmith在LangGraph Platform控制台点击New Deployment填写部署名称选择 GitHub 仓库和分支。2. 注入环境变量在配置页的Environment Variables区域添加密钥和参数例如OPENAI_API_KEYsk-xxxx SERPAPI_API_KEYyour-serpapi-key LANGCHAIN_TRACING_V2true LANGCHAIN_API_KEYls__xxxx这些变量会在运行时注入容器不会暴露在代码仓库中。3. 提交并自动构建点击Submit平台自动执行以下步骤拉取仓库代码安装requirements.txt中的依赖根据langgraph.json启动LangGraph Server分配公网 URL几分钟后状态变为Running即可通过 API 调用。云端调试部署成功后打开LangSmith Studio将连接地址从localhost改为云端 URL就能像本地一样实时查看图结构、发送消息、观察数据流和工具调用。所有请求的日志、延迟、Token 用量都会被记录便于分析和优化。完整可运行示例下面是一个可直接部署到LangGraph Cloud的简易智能体项目。项目结构deploy-to-cloud/ ├── my_agent/ │ ├── __init__.py │ └── graph.py ├── langgraph.json ├── requirements.txt ├── .env └── README.md图定义my_agent/graph.py# my_agent/graph.pyfromtypingimportTypedDict,Listfromlanggraph.graphimportStateGraph,ENDfromlanggraph.checkpoint.memoryimportMemorySaverfromlangchain_openaiimportChatOpenAIfromlangchain_core.messagesimportHumanMessage,AIMessageclassAgentState(TypedDict):messages:Listdefassistant(state:AgentState)-AgentState:llmChatOpenAI(modelgpt-3.5-turbo,temperature0)responsellm.invoke(state[messages])return{messages:[response]}# 构建图graphStateGraph(AgentState)graph.add_node(assistant,assistant)graph.set_entry_point(assistant)graph.add_edge(assistant,END)# 编译使用内存检查点appgraph.compile(checkpointerMemorySaver())部署配置langgraph.json{dependencies:[.],graphs:{agent:my_agent.graph:app},env:.env}依赖文件requirements.txtlanggraph0.3.0 langchain-openai0.2.0 python-dotenv1.0.0 fastapi0.100.0 uvicorn0.23.0本地测试在项目根目录执行# 安装依赖pipinstall-rrequirements.txt# 启动本地开发服务器langgraph dev访问http://localhost:2024的 API 文档或使用 SDK 进行交互fromlanggraph_sdkimportget_client clientget_client(urlhttp://localhost:2024)thread{configurable:{thread_id:local-test}}asyncdefmain():asyncforchunkinclient.runs.stream(None,agent,input{messages:[{role:user,content:你好请介绍一下你自己。}]},stream_modevalues,configthread,):ifmessagesinchunk.dataandchunk.data[messages]:print(chunk.data[messages][-1][content])importasyncio asyncio.run(main())本地通过后将项目推送到 GitHub然后在 LangGraph Cloud 面板中完成部署。部署成功后把 SDK 中的 URL 换成云端地址即可对外提供服务。总结LangGraph Cloud将多智能体的部署简化为几次点击结合 GitHub 集成、自动构建和内置监控大大降低了 AI 应用上线的门槛。无论你是个人开发者还是团队都可以用这套方案快速迭代并交付可靠的智能体服务。本文覆盖了 LangGraph Cloud 部署流程、账户升级、仓库关联、环境变量注入、云端调试等核心要点并给出了示例项目及配置代码。