【自然语言处理与大模型】LangGraphV1.0入门指南：核心组件Nodes

在构建复杂的 AI Agent 工作流时，如何管理数据流（State 状态）以及如何组织逻辑单元（Node 节点）是核心关键。LangGraph 通过将工作流组织成有向图 的方式，为开发者提供了一个强大且灵活的框架。本文将通过一个基础示例，带你深入理解 LangGraph 的两个核心要素：State（状态） 与 Nodes（节点）。

一、什么是 State 和 Nodes？

在 LangGraph 中，一切皆为图：

State（状态）： 简单来说就是数据。它是图中所有节点共享的"公共账本"。状态通常是一个 Python 数据结构（如TypeDict或 Pydantic 模型）。它被提供给图，由节点进行更新，并最终返回给用户。
Nodes（节点）： 节点本质上是 Python 函数。每个节点接收当前的 State 作为输入，执行逻辑处理后，输出对 State 的更新。

关键特性：持久化 LangGraph 的状态可以跨时间持久化。如果某个节点在执行过程中崩溃，系统可以恢复状态并重新运行该节点，这大大增强了应用的弹性。

二、如何构建图？

下面来创建一个简单的图，包含一个节点 node_a，它接收一段文字并返回一条新的消息。

1. 定义状态 (State)

首先，我们需要确定图中传递的数据格式。这里我们使用 TypedDict 定义一个包含字符串列表的字典。

python 复制代码

from typing import List, TypedDict

class State(TypedDict):
    nlist: List[str]

2. 编写节点函数 (Nodes)

节点是一个简单的函数，它接收 State 并返回更新后的 State。

python 复制代码

def node_a(state: State) -> State:
    print(f"节点 A 接收到的数据: {state['nlist']}")
    note = "来自节点 A 的问候：Hello World"
    # 返回更新后的状态
    return {"nlist": [note]}

3. 构建与编译图

使用 StateGraph 将节点和逻辑流程（边）连接起来。

python 复制代码

from langgraph.graph import END, START, StateGraph

# 1. 初始化图，并指定状态类型
builder = StateGraph(State)

# 2. 添加节点
builder.add_node("a", node_a)

# 3. 设置逻辑流程
builder.add_edge(START, "a")  # 从起点开始进入节点 a
builder.add_edge("a", END)    # 节点 a 执行完后结束

# 4. 编译成可执行对象
graph = builder.compile()

三、怎么使用图？

当你调用 graph.invoke() 时，LangGraph 的运行时（Runtime）会接管一切：

初始化： 根据输入初始化状态。
节点调度： 选定节点（如 node_a）执行。
状态传递： 将当前状态传递给函数。
状态更新： 接收函数返回的结果并合并到全局状态中。

python 复制代码

initial_state = State(nlist=["你好节点 A，你最近怎么样？"])
result = graph.invoke(initial_state)

# 输出结果：
# 节点 A 接收到的数据: ['你好节点 A，你最近怎么样？']
# {'nlist': ['来自节点 A 的问候：Hello World']}

总结	说明
数据共享	所有节点共享同一个 `State`，可以使用 TypedDict、dataclass 或 Pydantic 定义。
逻辑单元	节点是纯 Python 函数，职责明确：接收状态 -> 处理 -> 返回更新。
执行流	调用 `invoke` 后，图按照预定义的边（Edge）自动流转，直至到达 `END`。
灵活性	你可以随时向图中添加新节点，或扩展 `State` 字段以传递更复杂的数据。