Skip to Content
DocsAiLanggraphMap

1. 为什么需要 LangGraph？（解决了什么痛点）

传统的 LangChain 链（基于 LCEL）本质上是一个有向无环图（DAG - Directed Acyclic Graph）。数据从输入端流向输出端，中间经过一系列处理节点，但它不能回头，无法形成循环。

这对于简单的问答、摘要、格式转换等任务来说足够了。但对于更复杂的智能体（Agent）应用，我们通常需要：

  • 循环（Cycles）: 智能体需要反复地“思考 -> 行动 -> 观察结果 -> 再思考…”，直到任务完成。这是一个典型的循环过程。例如，ReAct 框架就是这种模式。
  • 分支（Branching）: 根据上一步的结果，智能体需要决定下一步该做什么。例如，“如果模型认为需要调用工具，就去执行工具节点；否则，就直接生成最终答案。”
  • 状态管理（State Management）: 在整个任务执行过程中，需要有一个地方来记录和更新信息，比如已经收集到的数据、历史对话、任务的当前进展等。这个“记忆”对智能体的决策至关重要。
  • 可控性与可观测性: 对于复杂的流程，开发者需要清晰地知道每一步发生了什么，为什么会从 A 节点走到 B 节点，而不是 C 节点。

LCEL 在处理这些需求时会变得非常笨拙和复杂，而 LangGraph 正是为了优雅地解决这些问题而生的。

2. LangGraph 的核心思想与组件

LangGraph 的核心思想非常直观：将应用流程建模为一个“状态图”。

想象一下，你有一个中央白板（State），上面记录了任务的所有信息。然后有几个专家（Nodes），每个专家负责一项特定工作（如调用 LLM、执行工具、格式化输出）。你还需要一个调度员（Edges），他会根据白板上的当前信息，决定接下来该请哪位专家工作。

这个过程不断重复，直到任务完成。

下面是 LangGraph 的核心组件：

a. State (状态)

这是 LangGraph 的灵魂。它是一个贯穿整个图运行过程的中心数据结构。通常定义为一个 Python 的 TypedDict 或 Pydantic 模型。

  • 作用: 充当所有节点共享的“内存”或“白板”。
  • 特点:
    • 每个节点都可以读取完整的当前状态。
    • 每个节点执行完毕后，返回的是对状态的更新（可以是新增、修改或删除字段），而不是一个全新的状态。LangGraph 会自动将这个更新合并回主状态中。
from typing import TypedDict, List
 
class AgentState(TypedDict):
    question: str      # 初始问题
    messages: List[str] # 对话历史或思考过程
    tool_output: str   # 工具调用的结果
    final_answer: str  # 最终答案

b. Nodes (节点)

节点是图中的“执行单元”，代表一个具体的计算步骤。

  • 作用: 执行一项任务，比如调用 LLM、运行一段代码、调用一个 API（工具）等。
  • 形式: 可以是一个普通的 Python 函数，也可以是一个 LCEL Runnable 对象。
  • 输入/输出: 每个节点的输入都是当前的 State 对象，输出是一个字典，表示对 State 的更新。
def call_llm(state: AgentState):
    # 读取状态
    question = state['question']
    messages = state['messages']
    
    # ... 调用 LLM ...
    response = llm.invoke(messages)
    
    # 返回对状态的更新
    return {"messages": messages + [response]}

c. Edges (边)

边负责连接节点，定义了图的“流程控制逻辑”。

  • 作用: 决定在当前节点执行完毕后，接下来应该去往哪个节点。
  • 分类:
    1. 普通边 (Normal Edges): 无条件的连接。例如，执行完 A 节点后，总是去执行 B 节点。
    2. 条件边 (Conditional Edges): 这是 LangGraph 强大的关键。它通过一个专门的函数来检查当前 State，然后根据其中的信息动态地决定下一个节点的走向。这实现了分支逻辑。
# 条件边函数
def should_continue(state: AgentState):
    # 检查 LLM 的最新回复是否包含工具调用指令
    last_message = state['messages'][-1]
    if "tool_call" in last_message.content:
        return "call_tool_node"  # 返回下一个节点的名称
    else:
        return "generate_final_answer_node"

d. Graph (图)

这是将所有节点和边组合在一起的容器。

  • 使用 StateGraph 类来构建图。
  • 你需要：
    1. 用 State 模型初始化 StateGraph。
    2. 使用 add_node() 添加所有节点。
    3. 使用 set_entry_point() 指定从哪个节点开始。
    4. 使用 add_edge() 添加普通边。
    5. 使用 add_conditional_edges() 添加条件边。
    6. 最后调用 compile() 方法，将整个图编译成一个可执行的 Runnable 对象。

3. 一个简单的工作流程示例

假设我们要构建一个简单的 ReAct 智能体，它的逻辑是：

  1. 接收问题。
  2. 调用 LLM 进行思考，判断是直接回答还是需要使用搜索工具。
  3. 如果需要搜索，则调用搜索工具。
  4. 将搜索结果喂给 LLM，让它基于新信息再次思考。
  5. 如果不需要搜索或搜索已完成，则生成最终答案。

用 LangGraph 实现这个流程：

  1. 定义 State:

    class ReActState(TypedDict):
    question: str
    thought: str
    tool_name: str
    tool_input: str
    observation: str
    answer: str

  2. 定义 Nodes:

    • think_node: 调用 LLM，生成思考过程（thought）和下一步行动（调用工具或回答）。
    • tool_node: 根据 tool_name 和 tool_input 执行工具，并将结果存入 observation。
    • answer_node: 调用 LLM，根据已有信息生成最终答案 answer。

  3. 定义 Edges:

    • 从 think_node 出发，有一个条件边 decide_next_step：
      • 如果 thought 中包含调用工具的指令，则路由到 tool_node。
      • 否则，路由到 answer_node。
    • 从 tool_node 出发，有一个普通边，总是返回到 think_node，形成循环，让 LLM 可以基于工具结果进行下一步思考。
    • answer_node 是一个终点，可以连接到一个特殊的 END 节点。

  4. 构建并编译 Graph:

    from langgraph.graph import StateGraph, END
 
workflow = StateGraph(ReActState)
 
workflow.add_node("thinker", think_node)
workflow.add_node("tool", tool_node)
workflow.add_node("answerer", answer_node)
 
workflow.set_entry_point("thinker")
 
workflow.add_conditional_edges(
    "thinker",
    decide_next_step, # 条件函数
    {
        "call_tool": "tool",
        "give_answer": "answerer"
    }
)
workflow.add_edge("tool", "thinker") # 形成循环
workflow.add_edge("answerer", END)   # 结束流程
 
# 编译成可运行对象
app = workflow.compile()
 
# 运行
result = app.invoke({"question": "LangGraph 是什么？"})

4. LangGraph 的主要优势总结

  1. 强大的控制流: 通过条件边轻松实现循环和分支，这是构建复杂智能体的基础。
  2. 显式的状态管理: State 对象让多步任务中的信息传递和“记忆”变得清晰可控。
  3. 高度模块化和可维护性: 每个节点都是一个独立的单元，易于开发、测试和复用。整个逻辑由图的结构定义，一目了然。
  4. 极佳的可观测性与调试性: 由于流程被显式地定义为图，配合 LangSmith 等工具，你可以清晰地看到每一步的状态变化和节点跳转路径，极大地简化了调试过程。
  5. 为多智能体而生: 非常适合构建“主管-专家”模式的多智能体系统。一个主管（Supervisor）节点可以根据任务状态，将工作分派给不同的专家（Specialist）节点。

结论

LangGraph 不是要替代 LangChain LCEL，而是对它的补充和升华。

  • 用 LCEL：当你需要构建一个线性的、一步到位的、无状态的数据处理管道时。
  • 用 LangGraph：当你需要构建一个需要思考、决策、循环、与外部世界交互的智能体时，或者需要协调多个智能体共同完成一个复杂任务时。

它为构建真正健壮、可控、可调试的 AI 应用和智能体系统提供了一个坚实而优雅的框架。

Last updated on
MapBase