LangGraph的介绍

在大模型应用从 "单轮对话" 走向 "复杂决策" 的今天，LangGraph 已经成为构建 LLM 智能体（Agent）最主流、最实用的框架之一。它基于 LangChain 生态，专门用来解决多步骤、有状态、可循环的 AI 工作流问题。

一、LangGraph 是什么？

简单说：LangGraph = 带状态 + 可循环 + 可视化的 LLM 工作流编排工具。

对比一下你就懂了：

普通 LangChain：线性执行，一步接一步，很难回头。
LangGraph ：像流程图一样，可以判断分支、循环重试、持久化状态、多节点协作。

它最适合做：

多智能体协作
复杂推理
工具自动调用
长流程任务

核心特点：

State（状态）：全局共享数据，所有节点都能读写
Node（节点）：每个节点是一个函数 / LLM / 工具调用
Edge（边）：节点之间的跳转逻辑
Graph（图）：把节点和边拼成完整流程
可循环、可中断、可恢复：不像普通链那样一跑到底

二、核心概念

1. State（状态）

整个流程的 "共享内存"。比如：

用户问题
历史消息
检索到的文档
工具返回结果
是否完成任务

所有节点都能读写这个状态。

2. Node（节点）

一个节点 = 一个功能单元：

调用 LLM
调用工具（搜索、计算器）
数据处理
条件判断

3. Edge（边）

决定下一步去哪：

普通边：A → B
条件边：根据结果决定去 B 还是 C
循环边：做完后回到前面重试（如 "反思→修正"）

三、实战示例

我们直接写一个最小可用 Demo，用 Python + LangGraph + ChatOpenAI（可换成任何模型）。

1. 安装依赖

pip install langgraph langchain langchain-openai

2. 定义 State

python 复制代码

from typing import TypedDict, Annotated
from langgraph.graph import StateGraph, END
import operator

class AgentState(TypedDict):
    question: str
    thought: str
    answer: str
    is_done: bool

3. 写节点函数

python 复制代码

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-3.5-turbo")

# 思考节点
def think_node(state: AgentState):
    question = state["question"]
    thought = llm.invoke(f"请分析问题：{question}").content
    return {"thought": thought}

# 回答节点
def answer_node(state: AgentState):
    thought = state["thought"]
    answer = llm.invoke(f"根据思考给出最终答案：{thought}").content
    return {"answer": answer, "is_done": True}

# 条件判断：是否结束
def should_end(state: AgentState):
    if state["is_done"]:
        return END
    else:
        return "think"

4. 构建 Graph

python 复制代码

workflow = StateGraph(AgentState)

# 添加节点
workflow.add_node("think", think_node)
workflow.add_node("answer", answer_node)

# 设置起点
workflow.set_entry_point("think")

# 添加边
workflow.add_edge("think", "answer")
workflow.add_conditional_edges(
    "answer",
    should_end
)

# 编译
app = workflow.compile()

5. 运行

python 复制代码

inputs = {"question": "为什么天空是蓝色的？"}
result = app.invoke(inputs)

print("思考过程：", result["thought"])
print("最终回答：", result["answer"])

这就是最精简的 LangGraph 智能体。

四、进阶

上面只是线性流程，LangGraph 真正的威力在循环与多智能体。

1. 自我修正（反思循环）

流程：

思考 → 生成 → 反思 → （不合格→重新生成）→ 结束

非常适合写作、代码、论文。

2. 多智能体协作

研究员：查资料
分析师：整理信息
写手：生成内容
评审：检查质量

每个角色一个 Node，通过 State 传递信息。

3. 可视化流程图

LangGraph 支持直接画出流程图：

python 复制代码

from IPython.display import Image, display
display(Image(app.get_graph().draw_mermaid_png()))

调试、展示、汇报都非常直观。

五、总结

LangGraph 把 LLM 应用从 "一条直线"变成了"一张智能流程图"：

用 State 管理全局信息
用 Node 拆分功能
用 Edge 控制逻辑
支持循环、分支、中断、恢复
完美适配复杂 Agent