LangGraph：构建智能工作流的新方式

安娜的信息安全说2025-12-30 17:33

1. 什么是 LangGraph？

LangGraph 是一个开源框架，旨在帮助开发者使用语言模型（LLM）构建复杂的、有状态的应用程序。它的核心理念是将应用逻辑表示为 图（Graph），其中节点代表操作或任务，边表示任务之间的依赖关系。这种方式非常适合处理多步骤推理、分支逻辑以及需要记忆状态的场景。

2. 为什么选择 LangGraph？

传统的 LLM 应用通常是线性的：输入 → 模型 → 输出。但在实际业务中，很多任务并不是单一的，而是包含多个步骤、条件分支甚至循环。LangGraph 的优势在于：

  • 图结构灵活性：可以轻松表示复杂的工作流。
  • 状态管理：支持在节点之间传递和持久化状态。
  • 可扩展性：可以集成外部 API、数据库、工具等。
  • 异步执行：提高性能，适合大规模应用。

3. 核心概念

  1. 节点（Node）：每个节点是一个操作，可以是调用 LLM、执行代码、访问 API 等。
  2. 边（Edge）：定义节点之间的依赖关系。
  3. 状态（State）：在图中流动的数据，可以是用户输入、模型输出或中间结果。
  4. 执行器（Executor）：负责调度和运行整个图。

4. 应用场景

  • 多步骤问答系统：例如法律咨询，需要先解析问题，再检索法规，最后生成答案。
  • 智能客服工作流：根据用户意图动态选择处理路径。
  • 数据处理管道：结合 LLM 和传统算法，完成复杂的数据清洗和分析。
  • 自动化决策系统：在金融、医疗等领域，结合规则和模型进行决策。

5. 代码示例

1. 安装与基础准备

复制代码 
pip install -U langgraph langchain openai tiktoken
# 如果用 Anthropic/DeepSeek 等模型，请安装各自 SDK

说明：LangGraph 与多数 LLM/工具生态兼容，这里以 LangChain 的 ChatOpenAI 作为示例（你可以替换为任意支持的模型）。

2. 入门示例：三步工作流（分析 → 检索 → 生成）

这个例子演示一个最小化图：把用户问题解析为检索查询，再进行（模拟）检索，最后生成答案。

复制代码 
# 语言：Python 3.10+
from typing import TypedDict, List
from langgraph.graph import StateGraph, END

# 1) 定义有状态数据结构（在节点之间传递）
class State(TypedDict):
    question: str
    query: str
    docs: List[str]
    answer: str

# 2) 定义节点函数
def analyze_question(state: State) -> State:
    q = state["question"]
    # 简单规则：提取关键词（真实场景可用 LLM）
    state["query"] = q.replace("请", "").replace("怎么", "").strip()
    return state

def search_docs(state: State) -> State:
    # 这里用模拟数据，真实场景你可调用搜索 API 或数据库
    query = state["query"]
    state["docs"] = [
        f"文档1：与『{query}』相关的背景知识。",
        f"文档2：『{query}』的常见实践。",
    ]
    return state

def synthesize_answer(state: State) -> State:
    docs = state["docs"]
    question = state["question"]
    combined = "\n".join(docs)
    state["answer"] = f"问题：{question}\n------基于检索到的信息------\n{combined}\n\n结论：建议按步骤执行。"
    return state

# 3) 构建图
graph = StateGraph(State)
graph.add_node("analyze", analyze_question)
graph.add_node("search", search_docs)
graph.add_node("answer", synthesize_answer)

# 定义边
graph.set_entry_point("analyze")
graph.add_edge("analyze", "search")
graph.add_edge("search", "answer")
graph.add_edge("answer", END)

# 4) 编译并运行
app = graph.compile()

# 5) 执行一次
if __name__ == "__main__":
    result = app.invoke({"question": "请解释怎么用 LangGraph 构建复杂工作流？"})
    print("最终答案：\n", result["answer"])

3. 接入 LLM 与工具调用（Agent 风格）

下面示例展示：一个节点用 LLM 进行意图识别，另一个节点根据意图调用工具（如计算器），最后再用 LLM 生成总结。

复制代码 
from typing import TypedDict, Literal, Dict, Any
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o-mini")  # 任选模型

class AgentState(TypedDict):
    user_input: str
    intent: Literal["math", "search", "chat"]
    tool_result: str
    final: str

def classify_intent(state: AgentState) -> AgentState:
    prompt = f"用户输入：{state['user_input']}\n判断意图：math/search/chat（三选一，直接输出关键词）"
    intent = llm.invoke(prompt).content.strip().lower()
    if intent not in {"math", "search", "chat"}:
        intent = "chat"
    state["intent"] = intent  # type: ignore
    return state

def tool_router(state: AgentState) -> str:
    # 动态选择下一个节点
    return state["intent"]

def math_tool(state: AgentState) -> AgentState:
    text = state["user_input"]
    # 很简单的表达式解析（真实场景可用安全的解析库）
    try:
        expr = text.replace("计算", "").strip()
        value = eval(expr, {"__builtins__": {}})
        state["tool_result"] = f"计算结果：{value}"
    except Exception as e:
        state["tool_result"] = f"无法计算表达式：{e}"
    return state

def search_tool(state: AgentState) -> AgentState:
    q = state["user_input"]
    # 模拟搜索
    state["tool_result"] = f"搜索：找到与『{q}』相关的3条结果（模拟）"
    return state

def chat_fallback(state: AgentState) -> AgentState:
    # 无工具，直接返回占位
    state["tool_result"] = "普通对话，无需工具。"
    return state

def summarize(state: AgentState) -> AgentState:
    prompt = f"""你是助手。
用户输入：{state['user_input']}
工具结果：{state['tool_result']}
请用简洁中文总结并给出下一步建议。"""
    state["final"] = llm.invoke(prompt).content
    return state

graph = StateGraph(AgentState)
graph.add_node("classify", classify_intent)
graph.add_node("math", math_tool)
graph.add_node("search", search_tool)
graph.add_node("chat", chat_fallback)
graph.add_node("summarize", summarize)

graph.set_entry_point("classify")
# 动态路由：从 classify 到 math/search/chat
graph.add_conditional_edges("classify", tool_router, {
    "math": "math",
    "search": "search",
    "chat": "chat"
})
# 三条路径均指向 summarize
graph.add_edge("math", "summarize")
graph.add_edge("search", "summarize")
graph.add_edge("chat", "summarize")
graph.add_edge("summarize", END)

app = graph.compile()

if __name__ == "__main__":
    print(app.invoke({"user_input": "计算 21*2+3"}))
    print(app.invoke({"user_input": "LangGraph 最新文档在哪？"}))
    print(app.invoke({"user_input": "你好，今天心情不错"}))

4. 分支与循环（包含重试/校验）

这个示例引入一个验证节点，如果答案不合格则回到生成节点重试（形成一个小环）。

复制代码 
from typing import TypedDict
from langgraph.graph import StateGraph, END

class LoopState(TypedDict):
    draft: str
    tries: int
    ok: bool

def draft_answer(state: LoopState) -> LoopState:
    state["draft"] = f"草稿 v{state['tries']+1}: 内容待完善。"
    state["tries"] += 1
    return state

def validate(state: LoopState) -> LoopState:
    # 简单规则：尝试次数 >= 2 就认为合格
    state["ok"] = state["tries"] >= 2
    return state

def router(state: LoopState) -> str:
    return "end" if state["ok"] else "again"

graph = StateGraph(LoopState)
graph.add_node("draft", draft_answer)
graph.add_node("validate", validate)

graph.set_entry_point("draft")
graph.add_edge("draft", "validate")
graph.add_conditional_edges("validate", router, {
    "again": "draft",
    "end": END
})

app = graph.compile()

if __name__ == "__main__":
    result = app.invoke({"draft": "", "tries": 0, "ok": False})
    print(result)

5. 状态持久化与检查点（内置 Checkpointer）

当你需要 多轮对话 或 长链路恢复，可以使用检查点保存状态。下面用内存检查点（生产建议用 SQLite/Postgres 等持久化）。

复制代码 
from typing import TypedDict
from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import StateGraph, END

class ChatState(TypedDict):
    history: list
    turn: str

def add_turn(state: ChatState) -> ChatState:
    state["history"].append(state["turn"])
    state["turn"] = ""
    return state

graph = StateGraph(ChatState)
graph.add_node("record", add_turn)
graph.set_entry_point("record")
graph.add_edge("record", END)

checkpointer = MemorySaver()
app = graph.compile(checkpointer=checkpointer)

if __name__ == "__main__":
    # thread_id 标识会话
    cfg = {"configurable": {"thread_id": "user_123"}}

    print(app.invoke({"history": [], "turn": "你好"}, cfg))
    print(app.invoke({"history": [], "turn": "今天的天气"}, cfg))
    # 第二次调用会在同一个 thread_id 上追加历史

要点：

  • checkpointer=MemorySaver() 启用检查点。
  • configurable.thread_id 用来标识不同会话。
  • 下一次调用无需携带完整历史，LangGraph 会自动从检查点恢复并合并状态。

6. 多代理协作（Reviewer + Coder）

示例：两个代理通过有向图协作，一个写代码，一个做评审，不合格则返回修改。

复制代码 
from typing import TypedDict
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI

coder_llm = ChatOpenAI(model="gpt-4o-mini")
reviewer_llm = ChatOpenAI(model="gpt-4o-mini")

class PRState(TypedDict):
    task: str
    code: str
    review: str
    approved: bool

def coder(state: PRState) -> PRState:
    prompt = f"需求：{state['task']} 请编写简洁、可运行的 Python 示例。"
    state["code"] = coder_llm.invoke(prompt).content
    return state

def reviewer(state: PRState) -> PRState:
    prompt = f"请评审以下代码并指出问题（若通过请写：APPROVED）：\n{state['code']}"
    review = reviewer_llm.invoke(prompt).content
    state["review"] = review
    state["approved"] = "APPROVED" in review.upper()
    return state

def route(state: PRState) -> str:
    return "end" if state["approved"] else "fix"

def fix_code(state: PRState) -> PRState:
    prompt = f"评审意见：{state['review']}\n请据此修复代码：\n{state['code']}"
    state["code"] = coder_llm.invoke(prompt).content
    return state

graph = StateGraph(PRState)
graph.add_node("coder", coder)
graph.add_node("reviewer", reviewer)
graph.add_node("fix", fix_code)

graph.set_entry_point("coder")
graph.add_edge("coder", "reviewer")
graph.add_conditional_edges("reviewer", route, {"end": END, "fix": "fix"})
graph.add_edge("fix", "reviewer")

app = graph.compile()

if __name__ == "__main__":
    res = app.invoke({"task": "实现一个斐波那契数列函数", "code": "", "review": "", "approved": False})
    print("最终代码：\n", res["code"])
    print("评审结果：\n", res["review"])

7. 流式输出与异步（边跑边看）

当节点生成较长文本时，你可能希望将中间 token/内容流式推送到前端。LangGraph 支持事件流。下面是一个简单的 streaming 示例。

复制代码 
import asyncio
from typing import TypedDict
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o-mini", streaming=True)  # 开启流式

class StreamState(TypedDict):
    prompt: str
    output: str

async def gen(state: StreamState) -> StreamState:
    chunks = []
    async for event in llm.astream(state["prompt"]):
        # event 是增量块，具体取决于 SDK
        chunks.append(event.content)
        # 这里可将 event 推送到前端
    state["output"] = "".join(chunks)
    return state

graph = StateGraph(StreamState)
graph.add_node("gen", gen)
graph.set_entry_point("gen")
graph.add_edge("gen", END)
app = graph.compile()

async def main():
    result = await app.ainvoke({"prompt": "请分点说明 LangGraph 的优势"})
    print(result["output"])

if __name__ == "__main__":
    asyncio.run(main())

提示：不同 LLM SDK 的流式接口略有差异，请按你选用的 SDK 文档调整（如 astream_events() / on_token() 回调）。

8. 最佳实践建议

  • 状态结构要清晰 ：使用 TypedDict/Dataclass 明确字段含义，保证节点输入/输出一致。
  • 节点纯函数化：尽量让节点只根据输入状态产生输出，方便测试与复用。
  • 路由逻辑收敛：复杂条件用单独的路由函数，避免在节点里掺杂太多分支。
  • 可观察性：为关键节点加日志/事件推送，便于调试与性能监控。
  • 持久化：生产环境使用数据库型 Checkpointer（如 SQLite、Postgres），保证恢复正确。
  • 异常与重试：配合循环或重试节点处理不稳定外部依赖（API、工具）。
相关推荐
bellus-4 小时前
ubuntu26测试win10的ollama大模型性能
python
水木流年追梦4 小时前
大模型入门-Reward 奖励模型训练
开发语言·python·算法·leetcode·正则表达式
JavaWeb学起来4 小时前
Python学习教程（六）数据结构List(列表)
数据结构·python·python基础·python教程
liuyunshengsir4 小时前
PyTorch 动态量化（Dynamic Quantization）
人工智能·pytorch·python
电子云与长程纠缠5 小时前
UE5制作六边形包裹球体效果
开发语言·python·ue5
DFT计算杂谈5 小时前
KPROJ编译教程
java·前端·python·算法·conda
Agent产品评测局5 小时前
新能源制造供应链AI方案主流产品对比测评 —— 2026年企业级自动化选型深度指南
人工智能·ai·chatgpt·自动化·制造
念恒123065 小时前
Python(循环中断)
开发语言·python
tsfy20036 小时前
Python 处理中文文件名的3个坑（附 Flask 上传解决函数）
开发语言·python·flask·文件上传·中文编码
j_xxx404_6 小时前
Linux进程信号捕捉与操作系统运行本质深度解析
linux·运维·服务器·开发语言·c++·人工智能·ai
热门推荐
01GitHub 镜像站点02Codex 接入 DeepSeek API 完整配置文档03【踩坑记录 | 第一篇】微软商店无法使用时，如何手动安装 OpenAI Codex？附`.msix`文件系统错误解决方法04裂开！ChatGPT 居然开始要手机号验证，附详细解决方法05CC-Switch & Claude 基于 Linux 服务器安装使用指南06装上就回不去了：CodeGraph 让 AI 编程效率飙升 92%，它到底做了什么？07几个好用的ip纯净度检测网站08【AI】2026 年具身智能模型和世界模型总结09codex app每次打开重连5次Reconnecting问题解决10用了半年 OpenRouter，我换到了 Ofox.ai — 两个 AI API 聚合平台的真实对比