LangGraph之条件边

在 LangGraph 中,条件边(conditional edges) 是用于在图(graph)中根据节点的输出动态决定下一步应执行哪个节点的一种机制。它通过 add_conditional_edges() 方法添加到图中。

例如:

python 复制代码
state_graph.add_conditional_edges(NodeConstant.COORDINATION.value, coor_to_other,
                                      {NodeConstant.PLANNER.value: NodeConstant.PLANNER.value, NodeConstant.END.value: END})

条件函数触发(被调用)场景

前一个节点执行完成并返回结果之后立即被调用。LangGraph 会将该节点的输出作为参数传递给这个条件函数。

例如:

python 复制代码
def decide_next(state):
    if state["score"] > 50:
        return "pass"
    else:
        return "fail"

graph.add_conditional_edge("evaluate", decide_next, {"pass": "accept", "fail": "reject"})
  • "evaluate" 节点运行结束,返回一个状态字典(如 {"score": 70}),
  • LangGraph 就会调用 decide_next(state)
  • 根据其返回值(如 "pass")决定下一步跳转到 "accept" 节点。

中断机制 与 条件边函数 的执行顺序

结论:条件边函数会在中断生效前被调用

详细解释

1. __interrupt__ 的作用时机

在 LangGraph(特别是 v0.2+ 的 StateGraph + Command 模式)中:

  • 当你在 update 字典中包含 "__interrupt__": [...] 时,表示:在本次节点执行完成后、进入下一个节点之前,暂停图的执行
  • 但注意:"完成当前节点" ≠ "直接中断"。LangGraph 仍需知道"如果没中断,下一步该去哪",这样才能在恢复时知道从哪里继续。

因此,LangGraph 的执行流程如下:

text 复制代码
[当前节点执行] 
   → 返回 Command(update={..., "__interrupt__": ...})
   → 应用 state 更新
   → **计算下一跳(包括调用条件边函数)**
   → 发现 __interrupt__ 存在
   → **暂停执行,并记录"计划中的下一个节点"**

✅ 所以,条件边函数是在中断检查之前就被调用的,因为它是"确定下一跳"的必要步骤。


2. 为什么需要先算"下一跳"再中断?

LangGraph 的中断机制设计为 "可恢复的工作流" 。当中断发生后,外部系统(如用户)处理完中断事件(例如提供人工输入),会调用 .stream().invoke() 继续执行。

此时,LangGraph 必须知道:

  • 中断前原本打算去哪个节点?
  • 这个"原本打算去的节点"正是通过条件边(或普通边)计算出来的。

所以,即使要中断,也必须先走完路由逻辑(包括条件边),把"计划中的下一个节点"保存下来。


自此,本文分享到此结束!!!

相关推荐
一切尽在,你来22 分钟前
1.1 AI大模型应用开发和Langchain的关系
人工智能·langchain
一切尽在,你来1 小时前
1.2 LangChain 1.2.7 版本核心特性与升级点
人工智能·langchain
Bruk.Liu1 小时前
(LangChain 实战14):基于 ChatMessageHistory 自定义实现对话记忆功能
人工智能·python·langchain·agent
JaydenAI7 小时前
[拆解LangChain执行引擎] ManagedValue——一种特殊的只读虚拟通道
python·langchain
OPEN-Source8 小时前
大模型实战:搭建一张“看得懂”的大模型应用可观测看板
人工智能·python·langchain·rag·deepseek
一切尽在,你来10 小时前
1.4 LangChain 1.2.7 核心架构概览
人工智能·langchain·ai编程
一切尽在,你来10 小时前
1.3 环境搭建
人工智能·ai·langchain·ai编程
蛇皮划水怪17 小时前
深入浅出LangChain4J
java·langchain·llm
、BeYourself18 小时前
LangChain4j 流式响应
langchain
、BeYourself18 小时前
LangChain4j之Chat and Language
langchain