【AI】AI学习笔记：LangGraph入门 三大典型应用场景与代码示例及MCP、A2A与LangGraph核心对比

LangGraph是一个用于构建有状态的、多步骤智能体工作流的框架。它通过"图"将LLM调用、工具使用、逻辑判断等节点连接起来，形成可控、可观测的复杂应用程序。

🧠 LangGraph 三大典型应用场景与代码示例

场景一：自主智能体（ReAct模式）

这是最常见的模式，智能体循环进行"思考-行动-观察"，直到完成任务。

# 简化的自主智能体（ReAct模式）核心结构示例
from langgraph.graph import StateGraph, END
from typing import TypedDict

# 1. 定义贯穿整个工作流的共享状态
class AgentState(TypedDict):
    question: str           # 用户问题
    thought: str            # LLM的思考过程
    action: str             # 决定采取的行动（如调用工具）
    action_input: str       # 行动的输入参数
    observation: str        # 执行行动后的观察结果
    answer: str             # 最终答案

# 2. 定义各个节点（函数）
def llm_decision_node(state: AgentState):
    """LLM决策节点：分析当前状态，决定下一步行动"""
    # 这里调用LLM，根据state['question']和state['observation']决定是调用工具还是直接回答
    # 模拟决策：如果问题涉及计算，就调用计算器工具
    if "calculate" in state['question'].lower():
        return {"action": "calculator", "action_input": state['question']}
    else:
        return {"action": "respond", "answer": "I can answer this directly."}

def tool_node(state: AgentState):
    """工具执行节点：执行具体的工具调用"""
    if state['action'] == 'calculator':
        # 这里模拟调用一个计算工具，实际可能调用API或本地函数
        result = eval(state['action_input'].replace("calculate", ""))  # 仅为示例，实际勿用eval
        return {"observation": f"The calculation result is {result}"}
    return {"observation": "No tool executed"}

def response_node(state: AgentState):
    """响应节点：生成最终回答"""
    return {"answer": f"Based on my actions, the final answer is: {state.get('observation', 'N/A')}"}

# 3. 构建图工作流
workflow = StateGraph(AgentState)
workflow.add_node("llm_agent", llm_decision_node)
workflow.add_node("tool", tool_node)
workflow.add_node("respond", response_node)

# 4. 设置边（决定流程走向）
workflow.set_entry_point("llm_agent")
workflow.add_conditional_edges(
    "llm_agent",
    # 根据LLM决策节点的输出，路由到下一个节点
    lambda x: "tool" if x.get("action") == "calculator" else "respond",
    {"tool": "tool", "respond": "respond"}
)
workflow.add_edge("tool", "llm_agent")  # 执行工具后，返回LLM进行下一步思考
workflow.add_edge("respond", END)

# 5. 编译并运行
app = workflow.compile()
result = app.invoke({"question": "Please calculate 123 + 456"})
print(result["answer"])

这个流程体现了自主智能体典型的"思考-行动"循环，可以用下图概括：
是
否
用户问题
"初始状态"
"LLM决策节点

分析并决定下一步"
"是否需要

调用工具？"
"工具执行节点

执行具体操作"
"响应节点

生成最终答案"
输出结果

场景二：多智能体协作系统

LangGraph可以轻松协调多个各司其职的智能体共同完成任务。

# 多智能体协作系统核心架构示例
from langgraph.graph import StateGraph
from typing import TypedDict

class MultiAgentState(TypedDict):
    problem: str
    specialist_type: str  # 当前由哪位专家处理
    analysis: str
    plan: str
    final_answer: str

def planner_agent(state: MultiAgentState):
    """规划智能体：分析问题，决定派发给哪个专家"""
    problem = state['problem']
    if "code" in problem:
        return {"specialist_type": "coder", "plan": "This is a coding task."}
    elif "math" in problem:
        return {"specialist_type": "mathematician", "plan": "This is a math problem."}
    else:
        return {"specialist_type": "generalist", "plan": "This is a general question."}

def coder_agent(state: MultiAgentState):
    """编码专家智能体"""
    return {"analysis": f"As a coder, I'll solve: {state['problem']}"}

def mathematician_agent(state: MultiAgentState):
    """数学专家智能体"""
    return {"analysis": f"As a mathematician, I'll analyze: {state['problem']}"}

def general_agent(state: MultiAgentState):
    """通用智能体"""
    return {"analysis": f"As a generalist, I'll handle: {state['problem']}"}

def synthesizer_agent(state: MultiAgentState):
    """综合智能体：汇总各专家结果，形成最终答案"""
    return {"final_answer": f"Based on {state['specialist_type']}'s analysis: {state.get('analysis', '')}"}

# 构建协作图
workflow = StateGraph(MultiAgentState)
workflow.add_node("planner", planner_agent)
workflow.add_node("coder", coder_agent)
workflow.add_node("mathematician", mathematician_agent)
workflow.add_node("generalist", general_agent)
workflow.add_node("synthesizer", synthesizer_agent)

workflow.set_entry_point("planner")
# 根据规划者的决策，路由到不同的专家
workflow.add_conditional_edges(
    "planner",
    lambda x: x['specialist_type'],
    {"coder": "coder", "mathematician": "mathematician", "generalist": "generalist"}
)
workflow.add_edge("coder", "synthesizer")
workflow.add_edge("mathematician", "synthesizer")
workflow.add_edge("generalist", "synthesizer")
workflow.add_edge("synthesizer", END)

场景三：带人工审核的复杂工作流

LangGraph支持"人在回路"，允许在关键节点引入人工审核。

# 带有人工审核节点的工作流示例
def content_generation_node(state):
    """内容生成节点"""
    return {"draft": "Generated content draft..."}

def human_review_node(state):
    """人工审核节点（这里需要暂停等待人工输入）"""
    # 在实际应用中，这里会暂停流程，等待用户在UI上审核
    # 模拟人工批准
    human_feedback = "APPROVED"  # 或 "REJECTED"
    return {"review_status": human_feedback, "feedback": "Looks good!"}

def revision_node(state):
    """修订节点"""
    return {"revised_content": "Content revised based on feedback."}

def approval_node(state):
    """批准发布节点"""
    return {"final_content": state.get('revised_content', state.get('draft')), "status": "PUBLISHED"}

workflow = StateGraph()
workflow.add_node("generate", content_generation_node)
workflow.add_node("human_review", human_review_node)
workflow.add_node("revise", revision_node)
workflow.add_node("approve", approval_node)

workflow.set_entry_point("generate")
workflow.add_edge("generate", "human_review")
# 根据人工审核结果决定流程走向
workflow.add_conditional_edges(
    "human_review",
    lambda x: "approve" if x.get("review_status") == "APPROVED" else "revise",
    {"approve": "approve", "revise": "revise"}
)
workflow.add_edge("revise", "human_review")  # 修订后返回人工再次审核
workflow.add_edge("approve", END)

🔄 MCP、A2A与LangGraph核心对比

理解了LangGraph的应用后，我们可以将其与之前讨论的MCP和A2A放在一个完整的智能体技术栈中对比：

维度	MCP (模型上下文协议)	A2A (智能体协作协议)	LangGraph (智能体编排框架)
核心定位	工具调用协议：标准化AI模型与外部工具的交互方式。	智能体协作协议 ：定义智能体间发现、通信和协作的接口规范。	工作流编排引擎 ：用于构建、运行和管理有状态智能体应用 的实现框架。
解决的核心问题	让AI能安全、标准化地使用各种外部功能（如数据库、API）。	让多个专业智能体能发现彼此、对话、分工协作，形成团队。	如何具体实现一个（或多个）智能体的复杂决策逻辑、状态管理和执行流程。
核心概念	Host, Client, Server, Tools, Resources	技能清单、智能体间通信协议、任务委托	图 、状态 、节点 、边 、检查点
工作层级	协议层：定义数据交换格式和通信标准。	架构/协议层：定义系统组件间的交互模式。	应用实现层：提供具体的库和API来编写代码。
相互关系	LangGraph智能体的某个"工具节点"，可以通过MCP Client 来调用MCP Server提供的工具。	LangGraph是实现A2A协作模式的绝佳底层引擎之一。你可以用LangGraph的图来定义智能体间的路由、对话和任务传递逻辑。	在LangGraph构建的多智能体系统中，每个子智能体都可以通过MCP来增强自身能力。
类比	智能手机的充电接口协议 (如USB-C)：定义了如何安全、高效地为各种手机供电的规范。	公司的部门协作章程：定义了市场部、研发部如何提交需求、开会协同的规则。	公司的项目经理和项目管理软件：负责具体规划任务、跟进进度、协调资源、确保项目按流程完成。

💎 总结与关系梳理

你可以这样理解它们在构建AI系统时的角色：

1. MCP 是你的智能体获取"超能力"（使用工具）的标准方式。它解决了"手"和"脚"的问题。
2. A2A 是你设计一个多智能体团队如何组织的蓝图。它解决了"团队结构"和"协作规则"的问题。
3. LangGraph 是你动手搭建这个智能体或团队"大脑"和"神经系统"的施工工具包。它解决了"具体如何实现"的问题。

在实际技术栈中，它们完全互补 ：你可以使用 LangGraph 作为核心引擎 ，按照 A2A 的协作理念 来设计多智能体图，图中的每个智能体在需要行动时，通过 MCP 协议去调用丰富的外部工具。

如果你有一个具体的业务场景（例如智能客服、自动化数据分析），我很乐意帮你分析如何结合这三者来设计架构。