Agent教程15：认识LangChain(中)，状态机思维

上一节我们列举了LangGraph的基本节点类型，但是只是知道，并不知道怎么组装和使用，先列举下来，后面讲如何组装：

Node：一个函数（LLM调用、工具、判断）。
Edge：跳转规则（普通边 + 条件边）。
State：共享状态（情绪、记忆、亲密度等），支持Reducer自动合并。
Checkpoint：自动持久化（内存/SQLite/Postgres），支持崩溃恢复 + 时间旅行调试。
Interrupt：原生Human-in-the-loop（用户中途纠正、审批、回滚）。

一、状态机思维

在 LangChain 早期版本（包括 LCEL）中，绝大多数工作流本质上是 有向无环图（DAG） 或简单的线性流水线（Pipeline）。数据像流水一样从 A 流到 B 再流到 C，但很难 "回头"。

LangGraph 最核心的突破就是它是支持环的有向图，相比于LangChain古早的链式版本极大的增强了灵活性。

假设，我们现在有这样一个业务，理想状态下希望LLM依次执行：

调用工具查询数据
格式化数据
打印结果

对，这就是早期的链式思维，一旦LLM因为其随机性出错，整个流程就会轰然倒塌。

因此，事实证明，链式操作救不了Agent开发。

一种更稳健，更方便影对随机性的设计哲学被LangGraph选中：状态机。

状态：可以理解为一组能被所有节点读取和更新的变量。

对状态的使用通常遵循这样的规则：

在Node中更新状态
在选择连线时读取状态

以上图为例，如果格式化失败，那么state='fail'，而在选择连线时，因为 state == 'fail'，因此进入了格式化自循环的连线。

在正式生产中，我们还可以加入 fail_count 这样的状态，来保证自循环的上限次数。

二、定义状态

你可以这样定义状态：

python 复制代码

from typing import TypedDict, Annotated
class AgentState(TypedDict):
    input_text: str
    messages: Annotated[list[BaseMessage], operator.add]
    result: dict
    status: str  # 状态标识"success" 或 "error"

这个定义很好解释，AgentState 继承自 TypedDict，有4个基本属性。

其中i比较难理解的是这一行：

python 复制代码

messages: Annotated[list[BaseMessage], operator.add]

简单来说，这是python的注解写法，它规定了 messages的类型是list[BaseMessage]，并且注明其更新逻辑只能是add，而不能是覆盖。

后续LangChain在操作该属性时，必须遵守以下方法：

csharp 复制代码

state["messages"] = operator.add(旧的messages列表, 新返回的messages列表)

这就保证了老的聊天历史不会被覆盖。

如果你希望messages只保留最新的5条，可以这样自定义一个合并逻辑：

python 复制代码

# 1. 自己写一个合并逻辑（Reducer）
def keep_last_5_messages(old_messages: list, new_messages: list) -> list:
    """这是一个自定义的 Reducer 函数：合并消息，但只保留最后 5 条"""
    # 先把旧的和新的加起来
    combined = old_messages + new_messages
    # 然后切片，只取最后 5 个元素
    return combined[-5:]

# 2. 把你的函数塞进 Annotated 里！
class AgentState(TypedDict):
    input_text: str
    # 告诉 LangGraph，更新 messages 时用我的函数！
    messages: Annotated[list[BaseMessage], keep_last_5_messages]
    status: str

三、构建节点 Node

本文开头陈列了，Node的本质就是一个函数。

如果我们想按上面梳理的结果，实现一个最简单的例子：

那我们至少需要构建三个函数：

node_a_input：返回一段文本
node_b_llm：用LLM格式化文本，但有概率失败
node_c_print：打印状态中的result值

在langgraph中，一个节点Node大概长这样：

python 复制代码

def node_a_input(state: AgentState):
    """节点A：负责接收初始输入"""
    text = "张三18岁。"
    print(f"\n▶ [Node A] 初始化输入: {text}")
    
    # 将初始数据写到状态黑板上
    return {"input_text": text}

它可以读取入参 state 上的状态值
它的return值对象可以更新 state的最新信息

非常好理解，我们可以根据这个来撰写核心的node_b_llm的逻辑：

四、构建有向图

尝试以下代码：

python 复制代码

from langgraph.graph import StateGraph, START, END

workflow = StateGraph(AgentState)

# 添加所有节点
workflow.add_node("node_a", node_a_input)
workflow.add_node("node_b", node_b_llm)
workflow.add_node("node_c", node_c_print)

# 定义流转规则
workflow.add_edge(START, "node_a")
workflow.add_edge("node_a", "node_b")

def router_edge(state: AgentState):
    """条件边：读取 status 字段决定去向"""
    if state["status"] == "error":
        print("  ↳ [Edge 路由] 发现错误状态，打回 Node B 重试！")
        return "retry"
    else:
        print("  ↳ [Edge 路由] 状态成功，放行到 Node C。")
        return "continue"
# 添加条件边：离开 node_b 时，用 router_edge 进行判断
workflow.add_conditional_edges(
    "node_b",
    router_edge,
    {
        "retry": "node_b",     # 如果 router_edge 返回 "retry"，跳回 node_b
        "continue": "node_c"   # 如果 router_edge 返回 "continue"，跳到 node_c
    }
)

workflow.add_edge("node_c", END)

这部分代码其他部分都非常好理解，无需多言，只有关于边的条件判断的部分需要解释下：

python 复制代码

workflow.add_conditional_edges(
    "node_b",
    router_edge,
    {
        "retry": "node_b",
        "continue": "node_c"
    }
)

对 node_b 的出口增加择线逻辑 router_edge,如果它返回 retry回到 node_b 进行自循环，如果返回 continue 则跳转到 node_c。

而 router_edge 也是个和 Node类似的方法，可以有效消费 state进行状态机的流转判断。

五、执行脚本

在本系列课程的开源demo项目里，你可以拿到本节课我们讲解的 demo 源码，地址：

github.com/zhangshichu...

让我们尝试执行以下命令：

bash 复制代码

python .\lesson_16\02_state_demo.py

哪怕第一次出错了，整个程序依然可以自动完成重试，并输出期望中的结构。

没错，这就是新版本LangChain的核心思维转变：

忘记链式
拥抱状态机思维

你需要不停地维护一组全局状态，直到你放弃任务或者完成任务。

六、小结

本章，我们学习了新版LangChain和LangGraph的状态机思维。

接下来，我们还需要了解一下langchain的其他基本能力。

敬请期待！