从LangChain到LangGraph：构建智能Agent的实战指南（二）——LangGraph，当Agent需要“思考循环“

#langgraph_core

[2.1 为什么需要LangGraph？](#2.1 为什么需要LangGraph？)

[2.2 LangGraph核心概念](#2.2 LangGraph核心概念)

[2.3 实战：带反思能力的Agent](#2.3 实战：带反思能力的Agent)

第二部分：LangGraph------当Agent需要"思考循环"

2.1 为什么需要LangGraph？

在上一篇中，我们用LangChain搭了个简单的Agent。但如果你想做一个更聪明的助手，比如让它写代码，写错了自己改，或者写完文章自己润色，你会发现LangChain原本那种"直肠子"（Chain）的结构不太好使了

传统的Chain就像是一条单行道，从A到B再到C，一路走到黑。但真实的思考过程往往是循环往复的：写初稿 -> 检查 -> 修改 -> 再检查 -> 满意为止。这种"循环"（Loop）和"分支"（Branching）的能力，正是LangGraph要解决的核心痛点

来看看这两者的区别：

2.2 LangGraph核心概念

LangGraph引入了图（Graph）的概念来编排Agent的流程。要玩转它，只需要掌握三个核心概念：

State（状态）：这就好比教室前面的"共享黑板"。所有的节点（Node）都可以往上写东西，也可以读取上面的信息。整个流程就是围绕着这个State在不断更新
Node（节点）：这就像是负责不同任务的"同学"。有的负责写代码，有的负责测试，有的负责写文档。每个节点接收当前的State，干完活后把结果更新回State
Edge（边） ：这是流程的"指挥棒"。它决定了下一步该轮到哪个节点干活。除了普通的边，最厉害的是条件边（Conditional Edge），它能根据当前的状态动态决定下一步去哪

2.3 实战：带反思能力的Agent

下面我们来构建一个能自我反思的Agent。它的任务是回答问题，但它会自己检查答案，如果不满意就重写，最多重试3次

python 复制代码

from typing import TypedDict, Literal
from langgraph.graph import StateGraph, END

# 1. 定义状态
# 这里的State就像是一个字典，记录了任务的上下文
class AgentState(TypedDict):
    question: str
    answer: str
    feedback: str
    attempt_count: int

# 2. 定义节点函数
def generate_answer(state: AgentState):
    """生成答案的节点"""
    print(f"--- 第 {state['attempt_count'] + 1} 次尝试生成 ---")
    # 模拟生成过程，实际这里会调用LLM
    return {"answer": f"这是关于 {state['question']} 的答案", "attempt_count": state['attempt_count'] + 1}

def reflect_on_answer(state: AgentState):
    """反思答案的节点"""
    print("--- 正在反思 ---")
    # 模拟反思，这里简单假设如果尝试次数小于3次就不满意
    if state['attempt_count'] < 3:
        return {"feedback": "内容不够详细，请补充"}
    return {"feedback": "perfect"}

def should_continue(state: AgentState) -> Literal["generate", "end"]:
    """决定下一步走向的条件判断函数"""
    if state['feedback'] == "perfect":
        return "end"
    if state['attempt_count'] >= 3:
        return "end"
    return "generate"

# 3. 构建图
workflow = StateGraph(AgentState)

# 添加节点
workflow.add_node("generate", generate_answer)
workflow.add_node("reflect", reflect_on_answer)

# 设置入口点
workflow.set_entry_point("generate")

# 添加边
# generate -> reflect (生成完后必然去反思)
workflow.add_edge("generate", "reflect")

# reflect -> ? (反思完后看情况)
workflow.add_conditional_edges(
    "reflect",       # 上一个节点
    should_continue, # 判断函数
    {                # 路由映射
        "generate": "generate", # 这里的key对应should_continue的返回值
        "end": END
    }
)

# 编译图
app = workflow.compile()

# 运行
inputs = {"question": "LangGraph怎么学？", "attempt_count": 0}
# app.invoke(inputs) # 实际运行时调用这一行

代码解析 ：这个例子的精髓在于should_continue函数和add_conditional_edges。它实现了一个闭环：生成 -> 反思 -> 判断 -> (如果不满意) -> 生成。

这就像给Agent装了一个"自我批评"的机制，让它不再是只会"瞎蒙"的愣头青

掌握了LangGraph，你就拥有了构建复杂Agent系统的钥匙。但要把这套东西真正搬到生产环境，还有不少"坑"要踩。下一篇，我们就来聊聊工程落地时的那些血泪经验