引言从链式思维到图式思维在构建AI驱动的应用程序时我们早已超越了简单的“输入-输出”模型。现实世界的任务往往是多步骤、有状态且充满分支决策的。传统的LangChain通过“链”Chain将多个组件串联起来虽然解决了顺序执行的问题但在处理循环、条件分支和长期状态管理时仍显得力不从心。LangGraph应运而生。它不是一个替代品而是LangChain生态中的一个强大扩展将“链”的思想提升到了“图”Graph的维度。它允许开发者将AI应用的工作流建模为一张有向图其中节点代表执行单元可以是LLM调用、工具调用或自定义函数边则定义了节点间的流转逻辑。这为构建智能体Agent、复杂对话系统、工作流引擎等应用提供了前所未有的灵活性和控制力。本文将带你深入理解LangGraph的核心概念、基本用法并通过实战示例展示如何用它构建一个具备记忆和工具调用能力的智能体。核心概念在深入代码之前让我们先厘清LangGraph中的几个关键概念State状态这是贯穿整个图执行过程的共享上下文通常是一个字典TypedDict。所有节点都可以读取和修改状态中的字段。状态是LangGraph实现有状态、多轮交互的核心。Node节点图中的一个执行单元。每个节点都是一个函数它接收当前的State作为输入并返回一个对该State的更新。节点可以执行任何操作调用LLM、运行工具、进行条件判断、操作数据库等。Edge边定义节点之间如何连接和流转。边分为两种条件边Conditional Edge根据State中的某个值通常是上一个节点输出的结果来决定下一步走向哪个节点。这实现了if-else分支逻辑。普通边无条件地从一个节点指向下一个节点。Graph图由节点和边组成的整体结构。LangGraph负责管理状态的传递、节点的调度以及循环的控制。快速开始构建你的第一个LangGraph应用让我们从一个最简单的例子开始一个接收用户问题并调用LLM进行回答的图。虽然这用简单的Chain也能实现但有助于我们理解Graph的构建模式。fromtypingimportTypedDictfromlanggraph.graphimportStateGraph,ENDfromlangchain_openaiimportChatOpenAI# 1. 定义状态结构classGraphState(TypedDict):question:stranswer:str# 2. 初始化LLMllmChatOpenAI(modelgpt-4o-mini)# 3. 定义节点函数defgenerate_answer(state:GraphState):节点调用LLM生成答案responsellm.invoke(state[question])return{answer:response.content}# 4. 构建图builderStateGraph(GraphState)# 添加节点builder.add_node(generate,generate_answer)# 设置入口点builder.set_entry_point(generate)# 设置结束点从generate节点指向预定义的ENDbuilder.add_edge(generate,END)# 5. 编译图graphbuilder.compile()# 6. 运行图initial_state{question:LangGraph是什么}resultgraph.invoke(initial_state)print(result[answer])这个图虽然简单但已经包含了所有核心要素定义状态、创建节点、构建边、编译和执行。进阶实战构建一个具备工具调用能力的智能体真正的威力在于处理复杂逻辑。下面我们构建一个更实用的智能体它可以根据用户问题决定是直接回答还是需要调用一个搜索工具。fromtypingimportTypedDict,Literalfromlanggraph.graphimportStateGraph,ENDfromlangchain_openaiimportChatOpenAIfromlangchain_community.toolsimportDuckDuckGoSearchRunfromlangchain_core.messagesimportHumanMessage,SystemMessage# 定义更丰富的状态classAgentState(TypedDict):messages:list# 对话历史question:strneeds_search:bool# 是否需要搜索search_result:strfinal_answer:str# 初始化组件llmChatOpenAI(modelgpt-4o-mini)search_toolDuckDuckGoSearchRun()# 节点1路由决策defroute_question(state:AgentState):判断问题是否需要联网搜索system_prompt你是一个路由助手。判断用户的问题是否需要实时信息或网络搜索才能准确回答。如果需要回复search否则回复answer。promptf用户问题{state[question]}responsellm.invoke([SystemMessage(contentsystem_prompt),HumanMessage(contentprompt)])decisionresponse.content.strip().lower()return{needs_search:decisionsearch}# 节点2调用搜索工具defcall_search_tool(state:AgentState):执行网络搜索resultsearch_tool.run(state[question])return{search_result:result}# 节点3基于知识回答defanswer_with_knowledge(state:AgentState):仅用模型已有知识回答responsellm.invoke(f请回答以下问题{state[question]})return{final_answer:response.content}# 节点4综合搜索结果的答案defanswer_with_search(state:AgentState):结合搜索结果进行回答promptf 用户问题{state[question]}搜索到的相关信息{state[search_result]}请根据以上信息给出一个准确、全面的回答。 responsellm.invoke(prompt)return{final_answer:response.content}# 构建图builderStateGraph(AgentState)# 添加所有节点builder.add_node(route,route_question)builder.add_node(search,call_search_tool)builder.add_node(answer_directly,answer_with_knowledge)builder.add_node(answer_with_search,answer_with_search)# 设置入口点builder.set_entry_point(route)# 添加条件边根据路由结果决定走向defdecide_next_node(state:AgentState)-Literal[search,answer_directly]:ifstate[needs_search]:returnsearchelse:returnanswer_directlybuilder.add_conditional_edges(route,decide_next_node,{search:search,answer_directly:answer_directly})# 添加普通边builder.add_edge(search,answer_with_search)builder.add_edge(answer_directly,END)builder.add_edge(answer_with_search,END)# 编译图agent_graphbuilder.compile()# 运行智能体result1agent_graph.invoke({question:Python中如何读写JSON文件,messages:[]})print(【无需搜索的问题】)print(f答案{result1[final_answer][:200]}...)result2agent_graph.invoke({question:今天北京天气怎么样,messages:[]})print(\n【需要搜索的问题】)print(f答案{result2[final_answer][:200]}...)这个示例展示了LangGraph如何优雅地处理条件路由和线性序列的组合。route节点后的条件边实现了智能决策而search到answer_with_search的边则是一个简单的顺序流。可视化与调试graph.get_graph().draw_mermaid()LangGraph一个非常强大的特性是可视化。你可以轻松地将你构建的图导出为Mermaid图表直观地理解工作流。# 接上例可视化智能体图try:# 绘制并显示Mermaid图代码mermaid_codeagent_graph.get_graph().draw_mermaid()print(将以下代码复制到Mermaid编辑器中查看如mermaid.live)print(mermaid_code)exceptExceptionase:print(f生成Mermaid代码时出错{e})生成的Mermaid图可以清晰地展示节点、边和决策逻辑是设计和调试复杂工作流的利器。最佳实践与注意事项状态设计要精简只将需要在节点间传递的数据放入State。避免状态过于庞大影响性能和清晰度。节点职责单一每个节点应只完成一件明确的事情遵循单一职责原则使图更易于维护和测试。善用条件边与循环对于需要多轮对话如直到满足某个条件的智能体可以利用条件边指向自身或某个判断节点实现while循环。错误处理考虑在图中添加专门的错误处理节点或者使用try-catch包装可能失败的节点逻辑确保图的健壮性。持久化状态对于长会话应用需要将State持久化到数据库。LangGraph通常与State的checkpointer结合使用来实现状态的保存与恢复。