LangGraph初认识

最近在面试和实际项目落地中，我发现 LangGraph 的热度正在飞速上升。为什么？因为以前我们用 LangChain 的链只能做"直线"逻辑，一旦遇到复杂的流程（比如：写代码 -> 测Bug -> 有Bug回去改 -> 没Bug结束），LangChain 就显得很别扭。

而 LangGraph 就是为了解决"循环 "和"状态管理"而生的。

今天我不讲枯燥的源码，直接带你用一个真实的**"代码生成与自愈 Agent"**案例，30分钟上手 LangGraph。

LangGraph 实战指南：从"直线思维"到"闭环思维"

1. 为什么我们需要 LangGraph？（市场痛点）

在真实的开发工作中，老板和客户的要求往往不是线性的。

传统 LangChain (Chain): 就像一条流水线。A -> B -> C -> 结束。如果 C 步骤发现问题，想回到 A 重做，非常困难。
LangGraph (Graph): 就像一个状态机。你可以定义节点和连线，允许流程在节点之间跳转、循环。

场景举例：

你要做一个"自动写代码助手"。

LLM 生成代码。
执行代码。
如果报错 -> 把错误信息喂回给 LLM，让它修改代码（回到步骤1）。
如果成功 -> 结束。

这种"测Bug -> 改Bug"的闭环，才是真实工作流的常态，也是 LangGraph 在简历上值钱的地方。

2. 核心概念：也就是三个圈圈几条线

别被文档吓到，LangGraph 就是在画图。

State (状态): 也就是"白板"。所有节点都能看到这块白板，也能在上面修改内容（比如：代码内容、报错信息、重试次数）。
Node (节点): 也就是"干活的工人"。比如"写代码的工人"、"执行代码的工人"。
Edge (边): 也就是"指挥官"。决定下一步去哪个节点。如果是条件边，它就是红绿灯（报错走左边，成功走右边）。

3. 动手实战：构建一个"代码自愈 Agent"

我们要构建一个能自己写 Python 代码、自己运行、错了自己改的 Agent。

第一步：准备工作

你需要安装 LangGraph 和 LangChain 的 OpenAI 适配包。

复制代码

pip install langgraph langchain_openai

第二步：定义"白板"

我们需要让节点之间共享信息。最简单的状态就是一个字典。

复制代码

from typing import TypedDict, Annotated
import operator

# 定义状态结构
class AgentState(TypedDict):
    messages: list  # 所有的对话历史
    code: str       # 生成的代码
    output: str     # 代码执行结果
    error: str      # 错误信息
    attempts: int   # 当前重试次数

第三步：定义"节点工人"

我们需要两个工人：

coder_node: 负责写/改代码。
executor_node: 负责执行代码并记录结果。

from langchain_openai import ChatOpenAI

初始化模型

llm = ChatOpenAI(model="gpt-4o", temperature=0)

def coder_node(state: AgentState):
"""根据当前状态生成或修复代码"""
复制代码
```
 # 如果是第一次尝试
 if state['attempts'] == 0:
     prompt = f"请写一段Python代码实现：{state['messages'][-1]}"
 else:
     # 如果是重试，把错误信息告诉它
     prompt = f"""
     上一次的代码出错了，请修复。
     错误代码：{state['code']}
     错误信息：{state['error']}
     请只返回修正后的代码。
     """
 
 response = llm.invoke(prompt)
 # 更新状态
 return {"code": response.content, "attempts": state['attempts'] + 1}
```
def executor_node(state: AgentState):
"""执行代码"""
try:
# 实际工作中这里要用沙箱环境！这里为了演示直接用 exec
local_vars = {}
exec(state['code'], {}, local_vars)
return {"output": "执行成功！", "error": ""}
except Exception as e:
return {"output": "", "error": str(e)}

第四步：定义"红绿灯"

这是最关键的一步。如果没报错，就结束；如果报错，就回 coder 节点。

复制代码

def should_continue(state: AgentState):
    """决策函数：根据执行结果决定下一步"""
    if state['error']:
        return "retry"  # 还有错误，回去重写
    return "end"        # 成功了，结束

第五步：组装流水线

现在我们用 Graph 把这些串起来。

复制代码

from langgraph.graph import StateGraph, END

# 1. 创建图
workflow = StateGraph(AgentState)

# 2. 添加节点
workflow.add_node("coder", coder_node)
workflow.add_node("executor", executor_node)

# 3. 设置入口
workflow.set_entry_point("coder")

# 4. 添加连线（正常的直线流程）
workflow.add_edge("coder", "executor")

# 5. 添加条件边（循环的核心）
workflow.add_conditional_edges(
    "executor",       # 从哪个节点出来
    should_continue,  # 决策函数
    {
        "retry": "coder",  # 如果返回 retry，回到 coder
        "end": END         # 如果返回 end，结束
    }
)

# 6. 编译图
app = workflow.compile()

第六步：运行测试

复制代码

# 初始状态
initial_state = {
    "messages": ["写一个计算斐波那契数列第10项的函数"], 
    "code": "", 
    "output": "", 
    "error": "", 
    "attempts": 0
}

# 运行
result = app.invoke(initial_state)

print("最终生成的代码：")
print(result['code'])
print("执行结果：", result['output'])
print("尝试次数：", result['attempts'])

4. 工作市场视角：面试怎么吹？

当你理解了上面的代码，你在面试或简历中可以这样描述：

"我基于 LangGraph 架构重构了公司的 RAG/Agent 流程。相比于传统的 LangChain Chain 模式，我引入了 StateGraph 状态管理机制，实现了类似'代码自愈'的闭环反馈系统。这让我们的任务成功率从 60% 提升到了 95%，因为它能自动处理执行过程中的异常并进行重试，大大减少了人工干预的成本。"

关键点总结：

状态持久化: LangGraph 原生支持 checkpoint，你可以随时暂停、恢复任务（比如人工介入审批，这也是个高级用法）。
减少 Token 消耗: 相比于把整个对话历史塞给 LLM，状态机可以只保留关键信息（比如只保留最新的错误信息），省钱。
可观测性: Graph 的可视化做得很好，方便 Debug。

5. 总结

LangGraph 其实不难，它就是把线性代码变成了有循环的流程图。

State: 大家共用的黑板。
Node: 读写黑板的工人。
Conditional Edge: 判断黑板内容，决定下一个工人是谁。

作为 AI 应用工程师，掌握 LangGraph 意味着你能处理更复杂的业务逻辑，而不仅仅是简单的"一问一答"。赶紧动手试试吧，把上面的代码跑通，你就入门了！

LangGraph初认识

LangGraph 实战指南：从"直线思维"到"闭环思维"

1. 为什么我们需要 LangGraph？（市场痛点）

2. 核心概念：也就是三个圈圈几条线

3. 动手实战：构建一个"代码自愈 Agent"

第一步：准备工作

第二步：定义"白板"

第三步：定义"节点工人"

初始化模型

第四步：定义"红绿灯"

第五步：组装流水线

第六步：运行测试

4. 工作市场视角：面试怎么吹？

5. 总结