LangGraph简单讲解示例——State、Node、Edge

知识进脑的肖老千啊2025-12-31 17:31

LangGraph的核心主要是Graph ，它是⼀个有向⽆环图，⽤于描述任务之间的依赖关系。

主要包含三个基本元素：

· State：一种数据结构

· Node：处理数据的节点，LangGraph中通常是一个python函数，以State为输入，经过一些操作处理后，返回更新后的State

· Edge：在LangGraph中通常也是一个python函数，作用是把两个Node连接起来，形成逻辑处理路线。

举个简单示例，看下Graph的基本用法。

先安装对应包：

bash 复制代码 
pip install langgraph

代码：

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

class InputState(TypedDict):
    user_input: str

class OutputState(TypedDict):
    graph_output: str

class GraphState(TypedDict):
    user_input: str
    graph_output: str

def node1(state: InputState) -> OutputState:
    return {"graph_output": state["user_input"] + "这个是节点1"}

# 构件图
builder = StateGraph(GraphState)

# 1. 添加节点到状态图（指定节点名称和对应的处理函数）
builder.add_node("node1", node1)

# 2. 添加起始节点到node1的边（START -> node1）
builder.add_edge(START, "node1")

# 3. 添加node1到结束节点的边（node1 -> END）
builder.add_edge("node1", END)

# 4. 编译状态图，生成可运行的图实例
graph = builder.compile()

if __name__ == "__main__":
    initial_state = {"user_input": "测试输入："}

    # 运行图（两种方式：stream流式输出 / invoke直接获取最终结果）
    # 方式1：invoke直接获取最终状态
    final_state = graph.invoke(initial_state)
    print(f"final_state的值：{final_state}")

    # 方式2：stream流式遍历执行过程
    for step in graph.stream(initial_state):
        for node_name, node_output in step.items():
            print(f"节点名称：{node_name}， 节点输出：{node_output}")

构建出来的图是这样的：

自己想测验也可以在代码后边加这一段生成然后查看：

python 复制代码 
graph_structure = graph.get_graph()

png_data = graph_structure.draw_mermaid_png()
# 保存到本地文件
with open("langgraph_flow.png", "wb") as f:
    f.write(png_data)

这个是Graph的简单流程，下边我们展开详细讲解下。

State

State是所有节点共享的状态，它是⼀个字典，可以是TypedDict字典，也可以是Pydantic中的⼀个BaseModel。

例如：

python 复制代码 
from typing import TypedDict
from pydantic import BaseModel

class InputState1(TypedDict):
    user_input: str

class InputState2(BaseModel):
    user_input: str

这两种都可以实现定义State。

State中也可以定义一些操作来指定更新，比如：

python 复制代码 
from typing import TypedDict, Annotated
from operator import add


class InputState(TypedDict):
    user_input: str
    list_input: Annotated[list[int], add]    # Annotated：为原始类型附加任意元数据，不改变类型本身的本质

这里如果node中有返回InputState中更新的值，（用list_input举例）那对应的值会发生变化，比如：

python 复制代码 
from typing import TypedDict, Annotated
from operator import add
from langgraph.graph import StateGraph
from langgraph.constants import END, START


class InputState(TypedDict):
    user_input: str
    list_input: Annotated[list[int], add]    # Annotated：为原始类型附加任意元数据，不改变类型本身的本质

def node1(state: InputState):
    return {"list_input": [123], "user_input": "node1"}

def node2(state: InputState):
    return {"user_input": "node2"}

graph = (StateGraph(InputState)
        .add_node("node1", node1)    # 添加节点1
        .add_node("node2", node2)    # 添加节点2
        .add_edge(START, "node1")    # 补充：起始节点 -> node1
        .add_edge("node1", "node2")    # node1 -> node2
        .add_edge("node2", END)    # node2 -> 结束节点
        .compile()    # 编译状态图
)
if __name__ == "__main__":
    initial_state = {"user_input": "测试输入：", "list_input": [1, 2, ]}

    final_state = graph.invoke(initial_state)
    print(f"final_state的值：{final_state}")
	# final_state的值：{'user_input': 'node2', 'list_input': [1, 2, 123]}

可以看到list_input在node1中有进行操作，打印出来的结果有变化。

在LangGraph中，State应用场景可以用于保存聊天消息（比如我们在豆包中一个对话中往上滑看见的上一条问题）

Node

State中定义的属性，通常不指定默认值，而是在Node中进行指定，并且Node通常是一个Python函数，它接受⼀个State对象作为输⼊，返回⼀个State对象作为输出。

在具体实现时，通常包含两个具体的参数，第⼀个是State，这个是必选的。第⼆个是⼀个可选的配置项config。并且LangGraph对每个Node提供了缓存机制。只要Node的传⼊参数相同，LangGraph就会优先从缓存当中获取Node的执⾏结果。从⽽提升Node的运⾏速度。

示例：

python 复制代码 
from typing import TypedDict
from langchain_core.runnables import RunnableConfig
from langgraph.graph import StateGraph
from langgraph.constants import END, START
from langgraph.types import CachePolicy
from langgraph.cache.memory import InMemoryCache #是langgraph中的,⽽不是langchain中的。


class InputState(TypedDict):
    user_id: str
    number: int

def node1(state: InputState, config: RunnableConfig) -> InputState:
    user_id = config["configurable"]["user_id"]
    return {"number":state["number"] + 1, "user_id":user_id}

graph = (StateGraph(InputState)
        .add_node("node1", node1, cache_policy=CachePolicy(ttl=5))    # 添加节点1，Node缓存5秒
        .add_edge(START, "node1")    # 补充：起始节点 -> node1
        .add_edge("node1", END)    # node1 -> 结束节点
        .compile(cache=InMemoryCache())    # 编译状态图
)
if __name__ == "__main__":
    initial_state = {"user_id": "user_01", "number": 5}

    final_state = graph.invoke(
        input=initial_state,
        config={"configurable": {"user_id": "user_02"}})
    print(f"final_state的值：{final_state}")
    # final_state的值：{'user_id': 'user_02', 'number': 6}

Edge

在Graph图中，通过Edge(边)把Node(节点)连接起来，从⽽决定State应该如何在Graph中传递。类似于工作流中的箭头指向线。

LangGraph中提供了两个默认的Node，START和END，⽤来作为Graph的⼊⼝和出⼝。

（上边有普通Edge代码示例，这里讲一下另一个操作set_entry_point）

python 复制代码 
from typing import TypedDict, Annotated
from operator import add
from langgraph.graph import StateGraph


class InputState(TypedDict):
    user_input: str
    list_input: Annotated[list[int], add]    # Annotated：为原始类型附加任意元数据，不改变类型本身的本质

def node1(state: InputState):
    return {"list_input": [123], "user_input": "node1"}

def node2(state: InputState):
    return {"user_input": "node2"}

graph = (StateGraph(InputState)
        .add_node("node1", node1)    # 添加节点1
        .add_node("node2", node2)    # 添加节点2
        .set_entry_point("node1")
        .add_edge("node1", "node2")
        .compile()    # 编译状态图
)
if __name__ == "__main__":
    initial_state = {"user_input": "测试输入：", "list_input": [1, 2, ]}

    final_state = graph.invoke(initial_state)
    print(f"final_state的值：{final_state}")

    graph_structure = graph.get_graph()

    png_data = graph_structure.draw_mermaid_png()
    # 保存到本地文件
    with open("langgraph_flow3.png", "wb") as f:
        f.write(png_data)

图片：

set_entry_point是 LangGraph中用于修改/指定图执行入口节点的方法，但是比add_edge优先级更高，若同时使用 add_edge(START, "node1")和set_entry_point("node2")，最终入口为 node2。

如果遇到条件走不同节点怎么办？

可以写动态路由：

python 复制代码 
from typing import TypedDict, Annotated
from operator import add
from langgraph.graph import StateGraph
from langgraph.constants import END, START


class InputState(TypedDict):
    user_input: str
    list_input: Annotated[list[int], add]    # Annotated：为原始类型附加任意元数据，不改变类型本身的本质

def node1(state: InputState):
    return {"list_input": [123], "user_input": "This is node1"}

def node2(state: InputState):
    return {"user_input": "This is node2"}

def node3(state: InputState):
    return {"user_input": "This is node3"}

def routing_func(state: InputState):
    if state["user_input"] == '111':
        return "node1"
    elif state["user_input"] == '222':
        return "node2"
    elif state["user_input"] == '333':
        return "node3"
    else:
        return END

graph = (StateGraph(InputState)
        .add_node("node1", node1)    # 添加节点1
        .add_node("node2", node2)    # 添加节点2
        .add_node("node3", node3)    # 添加节点3
        .add_conditional_edges(START,routing_func)
        .compile()    # 编译状态图
)
if __name__ == "__main__":
    initial_state = {"user_input": "111", "list_input": [1, 2, ]}

    final_state = graph.invoke(initial_state)
    print(f"final_state的值：{final_state}")

    graph_structure = graph.get_graph()

    png_data = graph_structure.draw_mermaid_png()
    # 保存到本地文件
    with open("langgraph_flow4.png", "wb") as f:
        f.write(png_data)

路线：

相关推荐
Deepoch2 小时前
智能硬件新纪元：Deepoc开发板如何重塑机器狗的“大脑”与“小脑”
人工智能·具身模型·deepoc·机械狗
Mintopia2 小时前
🐱 LongCat-Image：当AI绘画说上了流利的中文，还减掉了40斤参数 | 共绩算力
人工智能·云原生·aigc
Mintopia2 小时前
量子计算会彻底改变 AI 的运算方式吗？一场关于"量子幽灵"与"硅基大脑"的深夜对话 🎭💻
人工智能·llm·aigc
natide2 小时前
表示/嵌入差异-4-闵可夫斯基距离（Minkowski Distance-曼哈顿距离-欧氏距离-切比雪夫距离
人工智能·深度学习·算法·机器学习·自然语言处理·概率论
蹦蹦跳跳真可爱5892 小时前
Python----大模型（GPT-2模型训练，预测）
开发语言·人工智能·pytorch·python·gpt·深度学习·embedding
import_random2 小时前
[conda]anaconda的bin目录下的pip和pip3(区别)
python
import_random2 小时前
[conda]anaconda的bin目录下的python3.13,python3.1,python3,python(区别)
python
m0_726965982 小时前
RAG源代码笔记JAVA-高级RAG
笔记·ai·agent·rag
小北方城市网2 小时前
第 8 课：Python 面向对象进阶 —— 类方法、静态方法与高级特性
网络·python·microsoft·数据库架构
热门推荐
01GitHub 镜像站点02从快手“12·22”直播攻击事件看：一次教科书式的业务层饱和攻击03Claude Code Skills 实用使用手册04Linux下V2Ray安装配置指南05jdk21下载、安装（Windows、Linux、macOS）06UV安装并设置国内源07电脑检测软件—图吧工具箱082025 最新教程：注册并切换到美区 Apple ID09【踩坑笔记】50系显卡适配的 PyTorch 安装10Google Antigravity Agent 编辑器操作教程