《状态机驱动的 LLM 应用架构：基于流水线范式解析 LangGraph 的 Graph 核心》

前言

LangGraph其实就是把llm和函数、业务逻辑杂糅在一起做了一个流程编排的应用框架。它的核心是Graph图。那么这篇文章就是帮助你理解这个Graph图的核心应用。文中引入了应用案例：一个聊天机器人。

首先我们需呀安装依赖

python 复制代码

pip install -U langgraph langsmith

关于langgraph的图Graph

我们可以把图Graph想象成一个流程图或者工厂的流水线。

流水线的三要素

产品-The State-状态
1. 工厂流水线上的产品比如汽车的底盘就是一个产品。我们可以把langgraph创建的一次会话当成一个产品，也就是State对象，它里面装着message列表。
工作站-The-Node-节点
1. 节点就相当于流水线上的工作站，在工厂里，产品到了工作站，工人就开始对产品做一些操作，比如说安装轮胎。我们可以把langgraph里的节点想象成一个函数，这个函数做指定的操作。
2. 我们的代码里， chatbot 函数就是一个工作站。当"对话"这个产品流到这里时， chatbot 函数就对它进行一步操作：调用大语言模型（LLM）获取回复。
传送带-The-Edge-边
1. 在工厂里，传送带决定了流水线上的产品从哪个工作站传送到哪个工作站。
2. 在我们的代码里， add_edge 定义的就是传送带的走向。它告诉程序，产品应该从哪里送到哪里。

定义State-一次会话-一个产品

python 复制代码

class State(TypedDict):
    messages: Annotated[list, add_messages]

定义节点-函数

python 复制代码

def chatbot(state: State):
    return {"messages": [llm.invoke(state["messages"])]}

定义边

py 复制代码

graph_builder.add_edge(START, "chatbot")

这个边我们从开始节点指向了函数节点chatbot，相当于这个流程走完到这个函数就终止了。

markdown 复制代码

[ START (开始) ] ---------> [ "chatbot" 工作站 ]

langgraph的核心价值

它提供了一个清晰的框架，让我们能够像画流程图一样，去设计和组织复杂的 AI 应用逻辑，而不是把所有 if-else 判断都写在一个巨大的函数里。

当前代码里的"图"，是一个只有一个步骤的、最简单的流程图。它之所以存在，是为了给我们提供一个强大的框架，以便未来可以轻松地在其中添加更多的"工作站"（功能）和"传送带"（逻辑）。

状态机画流程图-StateGraph()

我们可以通过创建StateGraph()对象来创建一个新的、空白的流程图蓝图，并规定在这张蓝图上流动的所有数据都必须符合 State 这个格式。

python 复制代码

graph_builder = StateGraph(State)

(...) 里的 State - "规定产品的规格"

在这张流程图（Graph）的任何传送带（Edge）上流动的数据，都必须是 State 这个样子的。

完整代码

python 复制代码

import os
from typing import Annotated

from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
from langchain_openai import ChatOpenAI
from typing_extensions import TypedDict

from langgraph.graph import StateGraph, START
from langgraph.graph.message import add_messages
##构建一个基本聊天机器人¶

load_dotenv()
class State(TypedDict):
    messages: Annotated[list, add_messages]


graph_builder = StateGraph(State)

llm = ChatOpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    model="qwen-plus",
    temperature=0
)


def chatbot(state: State):
    return {"messages": [llm.invoke(state["messages"])]}


# The first argument is the unique node name
# The second argument is the function or object that will be called whenever
# the node is used.cc g
graph_builder.add_node("chatbot", chatbot)
graph_builder.add_edge(START, "chatbot")
graph = graph_builder.compile()


while True:
    user_input = input("User: ")
    if user_input.lower() in ["quit", "exit", "q"]:
        print("Goodbye!")
        break
    for event in graph.stream({"messages": [("user", user_input)]}):
        if "chatbot" in event:
            print("AI:", event["chatbot"]["messages"][-1].content)