前言
上篇内容《LangGraph1.0速通指南（一）------ 核心概念、点、边》中笔者介绍了LangGraph 的基本概念，以及如何通过定义节点与边来构建多种图结构。有了这些基础，大家已经能够搭建起一个可运行的智能体工作流。
在本文中笔者将进一步展开 LangGraph 更为灵活和强大的能力。你将学习到：
- 条件边（Conditional Edges） ：除条件函数外，如何让图结构根据运行时的状态动态选择下一步路径，实现分支与循环逻辑；
- 记忆（Memory） ：如何让 LangGraph 在多次调用中保留和更新状态，构建LangGraph持续运行的能力
- 人在回路（Human-in-the-loop） ：如何在关键节点引入人工确认或干预，使LangGraph图更加可控、可靠。
LangGraph1.0 与先前版本变动不大，预计花费三节左右的时间讲解，同时也要说明笔者的专栏《深入浅出LangChain&LangGraph AI Agent 智能体开发》适合所有对 LangChain 感兴趣的学习者，无论之前是否接触过 LangChain。该专栏基于笔者在实际项目中的深度使用经验，系统讲解了使用LangChain/LangGraph如何开发智能体，目前已更新 32 讲，并持续补充实战与拓展内容。欢迎感兴趣的同学关注笔者的掘金账号与专栏，也可关注笔者的同名微信公众号 大模型真好玩 ，每期分享涉及的代码均可在公众号私信: LangChain智能体开发免费获取。
一、使用Command对象：边定义的第二种方法
上篇内容《LangGraph1.0速通指南（一）------ 核心概念、点、边》中笔者介绍了通过 add_conditional_edges 配合条件路由函数来定义边的方法。该函数根据图的状态返回下一个节点的名称，从而实现动态路由。
python
...
def conditional_edge(state: State) -> Literal['b', 'c', END]:
select = state["nList"][-1]
if select == "b":
return 'b'
elif select == 'c':
return 'c'
elif select == 'q':
return END
else:
return END
...
builder.add_conditional_edges("a", conditional_edge)这是一种将路由逻辑 （边）与节点执行逻辑 （点）分离的清晰模式。然而，LangGraph 提供了另一种更为直接的控制流方式：允许节点函数在返回时，不仅更新状态，还能显式指定接下来要执行的节点 。这是通过返回一个特殊的 langgraph.types.Command 对象来实现的。
1.1 Command 对象：将路由逻辑内置于节点
Command 对象主要有两个关键指令：
update: 用于更新图的状态。goto: 用于指定下一个要执行的节点。
这意味着可以在节点的处理函数内部，直接决定工作流的下一步走向，无需提前在图中定义好所有条件边。对于下图中的节点A，笔者希望在执行其逻辑后，根据当前状态选择跳转节点B或节点C：
这就需要重写node_a函数
python
def node_a(state: State) -> Command[Literal['b','c', END]]:
select = state['nList'][-1]
if select == 'b':
next_node = 'b'
elif select == 'c':
next_node = 'c'
elif select == 'q':
next_node = END
else:
next_node = END
return Command(
update=State(nList=[select]),
goto=next_node
)1.2 完整示例与执行过程分析
-
将这种思路应用到上篇文章的条件图结构中，完整的代码如下：
pythonfrom langgraph.graph import START, END, StateGraph import operator from typing import TypedDict, List, Annotated, Literal from langgraph.types import Command class State(TypedDict): nList: Annotated[List[str], operator.add] def node_a(state: State) -> Command[Literal['b','c', END]]: select = state['nList'][-1] if select == 'b': next_node = 'b' elif select == 'c': next_node = 'c' elif select == 'q': next_node = END else: next_node = END return Command( update=State(nList=[select]), goto=next_node ) def node_b(state: State): return Command( goto=END ) def node_c(state: State): return Command( goto=END ) builder = StateGraph(State) builder.add_node("a", node_a) builder.add_node("b", node_b) builder.add_node("c", node_c) builder.add_edge(START, "a") graph = builder.compile() user = input('b, c or q to quit:') input_state = State( nList=[user] ) print(graph.invoke(input_state)) -
运行测试，分析输入
'b'时的执行过程：-
初始状态 ：
State(nList=['b']) -
执行节点 A：
- 读取状态
nList[-1]，得到'b'。 - 逻辑判断
next_node = 'b'。 - 返回
Command(update=State(nList=['b']), goto='b')。 - 状态更新 ：
update指令将['b']追加到原状态。由于reducer是operator.add，状态变为nList=['b', 'b']。
- 读取状态
-
跳转与执行 ：根据
goto='b'，图跳转到节点 B。 -
执行节点 B ：节点 B 返回
Command(goto=END)，图运行结束。 -
最终输出状态 ：
{'nList': ['b', 'b']}。 -
输入
'c'或其它字符（如'q'）的逻辑类似，最终状态会分别为['c', 'c']或['q']。
-
1.3 方法对比选型
虽然 Command 对象提供了强大的、由节点驱动流程的能力，但在大多数智能体工作流的设计中，笔者更推荐使用 add_conditional_edges 配合条件路由函数的方式来定义边。
主要原因在于"关注点分离 "和"可维护性 "。将"做什么"（节点逻辑）和"接下来去哪"（路由逻辑）分开定义，使得图的结构更加清晰、易于理解和调试。图的builder本身就能完整反映业务逻辑的流转，而不是将控制流隐藏在节点的实现细节里。
因此，Command 方案更适合作为一种高级或特定场景下的补充手段，而在构建清晰、可维护的 LangGraph 应用时，应优先考虑使用条件边函数来定义路由。
二、Memory：实现智能体的长期记忆
在 LangGraph 的工作流中，节点按顺序执行，状态随之更新。然而，这种状态默认只存在于单次调用（invoke）的生命周期内。为了让智能体像人类一样拥有"记忆"，能够在多次交互中记住上下文（例如，像在 DeepSeek 网页中进行的多轮对话），LangGraph 提供了检查点（Checkpoint） 机制。
2.1 理解检查点：状态快照与线程
检查点 是 LangGraph 实现记忆功能的核心。它本质上是在图运行的关键步骤（如每个节点执行后） 对当前完整状态进行的一次快照（Snapshot），并将其持久化存储。这个过程类似于为虚拟机保存恢复点。
这些按时间顺序排列的检查点集合，构成了一个线程（Thread） 。在线程中，每次graph.invoke调用的历史记录都被完整保存。这解释了为何在 DeepSeek 中，"新对话"会开启一个没有历史的纯净会话------因为它开启了一个新的线程。
检查点的核心优势：
引入检查点机制为智能体开发带来了如下关键能力：
- 状态持久化：即使图停止运行，状态也能被保留，下次可从断点恢复。
- 错误恢复与重试：当某个节点执行失败时，可以从上一个检查点恢复状态并重试，避免丢失全部进度。
- 时间旅行与回滚：如果发现智能体在长期运行后"跑偏"，可以回滚到任意历史检查点，并从该健康状态重新开始。
- 暂停与继续：可以暂停一个长时间运行的任务，并在之后准确地从中断处继续执行。
2.2 实战：使用内存检查点器
LangGraph 提供了多种检查点存储后端，包括内存 (InMemorySaver)、Postgres数据库等。本篇分享笔者以最简单的内存检查点器为例进行演示。其他存储器的用法类似，大家可以在笔者的文章《深入浅出LangGraph AI Agent智能体开发教程（九）---LangGraph长短期记忆管理》中查看详细示例。
-
构建基础图： 复用上一节中基于
Command对象的路由图结构。pythonfrom langgraph.graph import START, END, StateGraph import operator from typing import TypedDict, List, Annotated, Literal from langgraph.types import Command class State(TypedDict): nList: Annotated[List[str], operator.add] def node_a(state: State) -> Command[Literal['b','c', END]]: select = state['nList'][-1] if select == 'b': next_node = 'b' elif select == 'c': next_node = 'c' elif select == 'q': next_node = END else: next_node = END return Command( update=State(nList=[select]), goto=next_node ) def node_b(state: State): return Command( goto=END ) def node_c(state: State): return Command( goto=END ) builder = StateGraph(State) builder.add_node("a", node_a) builder.add_node("b", node_b) builder.add_node("c", node_c) builder.add_edge(START, "a") -
引入内存检查点器： 从
langgraph.checkpoint.memory导入InMemorySaver，并实例化。config中的thread_id是关键，它标识了会话线程。相同thread_id下的所有调用将共享状态历史。pythonfrom langgraph.checkpoint.memory import InMemorySaver memory = InMemorySaver() config = { "configurable":{ "thread_id", "1" } } -
编译时启用检查点： 在编译图时，通过
checkpointer参数传入检查点器实例。pythongraph = builder.compile(checkpointer=memory) -
在循环调用中体验记忆： 现在笔者通过一个循环来模拟多轮交互。关键在于，每次调用
graph.invoke时都传入相同的config，这样 LangGraph 就会自动加载该线程 (thread_id='1') 的上一次状态，并在执行后保存新状态。pythonwhile True: user = input('b, c or q to quit:') input_state = State( nList=[user] ) result = graph.invoke(input_state, config) print(result) if result['nList'][-1] == 'q': print('quit') break -
运行测试： 输入序列：
b → c → b → q，执行过程解析：- 第一轮 (
输入b) ：初始状态['b']。节点A执行后更新状态为['b', 'b']并跳转到节点B，最终状态为['b', 'b']。 - 第二轮 (
输入c) ：由于检查点存在，初始状态并非空列表，而是上一轮的最终状态['b', 'b']。输入c后，状态会累积到['b','b','c','c'] - 第三轮 (
输入b) ：状态继续累积。 - 第四轮 (
输入q) ：触发退出。
- 第一轮 (
-
通过简单的几步配置,LangGraph图即可具备"记忆"能力。
thread_id是管理不同记忆会话的钥匙。只要使用相同的thread_id，智能体就能在多次调用间保持并累积状态。对于生产环境，只需将InMemorySaver替换为PostgresSaver或自定义的持久化检查点器，即可实现稳定可靠的长期记忆。更详细的关于LangGraph记忆的内容大家可参考笔者的文章： 深入浅出LangGraph AI Agent智能体开发教程（九）---LangGraph长短期记忆管理
三、中断与人在回路
在许多实际场景中需要在智能体工作流的关键节点引入人工判断。例如，在大模型调用工具执行数据库写操作、发送邮件或进行其他高风险动作前，必须由人工确认。LangGraph 通过中断（Interrupt） 机制优雅地支持了这种"人在回路（Human-in-the-loop）"模式。
中断允许一个正在运行的图在特定节点暂停，将控制权交还给外部程序（通常是等待用户输入），然后根据外部输入的结果决定如何恢复执行。这个强大的功能同样建立在之前介绍的检查点（Checkpoint） 机制之上。
3.1 核心概念：interrupt 与 Command(resume=...)
继续改造之前使用的条件路由图。核心改动在于，当节点 A 遇到无法处理的输入时，不再直接结束，而是主动引发一个中断，等待外部干预。
实现中断需要两个关键操作：
- 在节点内引发中断 ：使用
interrupt()函数。这会抛出一个特殊信号，使图立即暂停运行，并将包含中断信息的快照保存到检查点中。 - 从外部恢复执行 ：向图中发送一个带有
resume指令的Command对象。这个指令的值会传递回引发中断的节点，作为其interrupt()调用的返回值，从而使节点得以继续执行。
3.2 示例：中断代码实战
-
笔者对之前的
node_a进行修改。当用户输入不是预期的'b'，'c'或'q'时，触发中断。pythondef node_a(state: State) -> Command[Literal['b', 'c', END]]: print('进入 A 节点') select = state['nList'][-1] if select == 'b': next_node = 'b' elif select == 'c': next_node = 'c' elif select == 'q': next_node = END else: admin = interrupt(f"未期望的输出 {select}") print('用户重新输入是:',admin) if admin == 'continue': next_node = 'b' select = 'b' else: next_node = END select = 'q' return Command( update=State(nList=[select]), goto=next_node ) -
构建图并启用检查点，中断依赖检查点来保存和恢复状态，因此必须配置检查点器。
pythonfrom langgraph.graph import START, END, StateGraph from langgraph.checkpoint.memory import InMemorySaver # 构建图 builder = StateGraph(State) builder.add_node("a", node_a) builder.add_node("b", node_b) builder.add_node("c", node_c) builder.add_edge(START, "a") # 配置内存检查点器和线程 memory = InMemorySaver() config = {"configurable": {"thread_id": "1"}} # 编译时传入检查点器 graph = builder.compile(checkpointer=memory) -
实现外部中断处理循环:
pythonwhile True: user = input('b, c or q to quit:') input_state = State( nList=[user] ) result = graph.invoke(input_state, config) print(result) if '__interrupt__' in result: print(f'Interrupt:{result}') msg = result['__interrupt__'][-1].value print(msg) human = input(f"\n{msg}, 重新输入: ") human_response = Command( resume=human ) result = graph.invoke(human_response, config) if result['nList'][-1] == 'q': print('quit') break -
运行结果分析：假设输入
p（一个非法值），流程如下：- 触发中断 ：节点A识别到
p，调用interrupt("未预期的输入..."。图在此刻立即暂停 ，并将当前状态（包括中断信息）保存为检查点。graph.invoke返回的结果中会包含一个特殊的__interrupt__字段。 - 人工干预 ：外部循环检测到中断，打印信息并等待用户输入。用户输入
continue。 - 恢复执行 ：外部程序构建一个
Command(resume='continue')并再次调用graph.invoke。关键点 ：因为使用了相同的thread_id，图会从上一个检查点（即中断处）恢复。 - 节点继续运行 ：恢复后，节点A中
interrupt()调用处将返回admin_decision = 'continue'。程序流程进入if admin_decision == 'continue'分支，最终前往节点B并结束。
重要说明 ：当图从中断点恢复时，整个图会重新执行。但由于检查点保存了中断前的状态（包括
nList），并且interrupt()会返回新的resume值，因此节点能基于新信息做出不同的决策。__interrupt__是一个列表，因为一个图可以在不同节点触发多个中断，LangGraph 会跟踪所有中断的上下文。 - 触发中断 ：节点A识别到
以上完整代码均可关注笔者同名微信公众号：大模型真好玩 ，并私信 LangChain智能体开发 获得
四、总结
本期文章深入讲解了 LangGraph 1.0 的三大进阶功能：条件边 （除条件函数外，还能通过 Command 对象实现节点内路由）、记忆 （利用检查点机制实现状态持久化与多轮对话能力）以及人在回路（通过中断机制在关键节点引入人工干预）。现在大家就学习到了LangGraph的基本技能，但目前这些知识点还比较零碎，下篇分享笔者将结合大模型使用LangGraph编写一个智能体，帮助大家全局掌握这些知识点的用法，掌握LangGraph智能体开发的基本技能！
《深入浅出LangChain&LangGraph AI Agent 智能体开发》专栏内容源自笔者在实际学习和工作中对 LangChain 与 LangGraph 的深度使用经验，旨在帮助大家系统性地、高效地掌握 AI Agent 的开发方法，在各大技术平台获得了不少关注与支持。目前已更新32讲，正在更新LangGraph1.0速通指南，并随时补充笔者在实际工作中总结的拓展知识点。如果大家感兴趣，欢迎关注笔者的掘金账号与专栏，也可关注笔者的同名微信公众号 大模型真好玩 ，每期分享涉及的代码均可在公众号私信: LangChain智能体开发免费获取。