📒 LangGraph 实战笔记：用 AI 发起流程应用
一句话总结：LangGraph 让 AI 从"直线思维"变成"闭环思维"，是实现复杂、可循环、人机协同工作流的首选工具。
目录
- 一、核心概念（无代码版）
- [二、LangGraph vs LangChain vs K2 三方对比](#二、LangGraph vs LangChain vs K2 三方对比)
- [三、需求拆解：AI 发起考勤流程](#三、需求拆解：AI 发起考勤流程)
- [四、为什么这个场景必须用 LangGraph？](#四、为什么这个场景必须用 LangGraph？)
- 五、关键实现要点（无代码版）
- 六、生活化类比总结
- 七、选型决策指南
- 八、总结与下一步建议
一、核心概念（无代码版）
| 概念 | 大白话解释 | 生活类比 |
|---|---|---|
| 节点 (Node) | 干活的步骤 | 地铁的站点 |
| 边 (Edge) | 步骤之间的连接 | 地铁的轨道 |
| 状态 (State) | 全程传递的数据包 | 乘客手里的行李 |
| 图 (Graph) | 整个工作流程 | 完整的地铁线路图 |
| 条件边 | 根据结果决定走哪条路 | 地铁的换乘站 |
| 循环 | 不满足条件就回去重做 | 坐错站了返回重坐 |
| 检查点 | 保存进度，可随时恢复 | 游戏的存档点 |
二、LangGraph vs LangChain vs K2 三方对比
三者核心区别
| LangChain | LangGraph | K2 工作流 |
|---|---|---|
| 线性调用链 A→B→C 直线执行 | 图结构工作流 支持循环和分支 | 企业级 BPM 引擎 固定流程，人工审批为主 |
| 适合简单任务 | 适合复杂多步任务 | 适合企业固定流程 |
| 无状态或简单状态 | 内置状态管理 | 完整流程实例管理 |
| 像「单线地铁」 | 像「换乘地铁网」 | 像「火车轨道」 |
| AI 调用工具 | AI 智能体编排 | 人工+系统混合流程 |
LangChain 和 LangGraph 的关系
┌─────────────────────────────────────────────────────────────┐
│ │
│ LangChain LangGraph │
│ ┌─────────┐ ┌─────────────────────────┐ │
│ │ LLM │ │ ┌─────┐ ┌─────┐ │ │
│ │ 调用 │ → │ │节点 │→ │节点 │ ... │ │
│ │ 工具 │ │ └─────┘ └─────┘ │ │
│ │ 记忆 │ │ ↖ ↙ │ │
│ └─────────┘ │ 循环/条件 │ │
│ └─────────────────────────┘ │
│ │
│ 基础组件库 基于 LangChain 的编排层 │
│ (砖头、水泥) (用砖头盖成的房子) │
│ │
└─────────────────────────────────────────────────────────────┘关键理解：
- LangGraph 不是替代 LangChain，而是构建在 LangChain 之上
- LangChain 提供「能力」------调用 LLM、工具、记忆
- LangGraph 提供「编排」------如何组织这些能力的执行顺序
三、需求拆解：AI 发起考勤流程
需求描述
用户说"我想发起考勤"
↓
AI 返回表单结构
↓
用户填写数据
↓
AI 校验数据 ──┬── 通过 → 发起流程
│
└── 不通过 → 返回让用户重填（可循环）
完整流程架构图
┌─────────────────────────────────────────────────────────────────┐
│ LangGraph 工作流全景图 │
│ │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │ 意图识别 │───→│ 生成表单 │───→│ 用户填写 │ │
│ │ Node │ │ Node │ │ (人工) │ │
│ └─────────┘ └─────────┘ └────┬────┘ │
│ │ │
│ ▼ │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │ 发起流程 │←───│ 校验通过？│←───│ AI 校验 │ │
│ │ Node │ │ 条件 │ │ Node │ │
│ └─────────┘ └────┬────┘ └─────────┘ │
│ │ │
│ ┌─────────────┴─────────────┐ │
│ │ │ │
│ ▼ ▼ │
│ 【成功】结束 【失败】循环回去 │
│ (最多重试 3 次) │
│ │
└─────────────────────────────────────────────────────────────────┘各节点职责说明
| 节点名称 | 职责 | 输入 | 输出 |
|---|---|---|---|
| 意图识别 | 理解用户想发起什么流程 | 用户自然语言 | 流程类型（考勤/请假/报销） |
| 生成表单 | 根据流程类型返回数据结构 | 流程类型 | 表单字段定义 |
| 用户填写 | 等待用户输入数据 | 表单结构 | 用户填写的内容 |
| AI 校验 | 检查数据完整性和合理性 | 用户填写的数据 | 校验结果 + 反馈信息 |
| 条件判断 | 决定下一步走向 | 校验结果 | 提交/重试/转人工 |
| 发起流程 | 调用 OA 系统 API | 校验通过的数据 | 流程发起成功 |
四、为什么这个场景必须用 LangGraph？
❌ 用 LangChain 的困境
LangChain 线性执行：
用户输入 → 识别意图 → 生成表单 → 用户填写 → 校验 → 结束
│
▼
校验失败？
没法回去！
只能重新发起整个流程问题：
- 校验失败后无法自动循环回填写节点
- 需要自己管理状态和重试逻辑
- 代码会越来越复杂，难以维护
✅ 用 LangGraph 的优势
LangGraph 循环执行：
用户输入 → 识别意图 → 生成表单 → 用户填写 → 校验 ──┬── 通过 → 发起
│
└── 失败 → 回到填写优势：
- ✅ 天然支持循环，校验失败自动回到填写节点
- ✅ 状态自动管理，每次循环数据不丢失
- ✅ 支持断点续传，用户可随时回来继续
- ✅ 流程可视化，调试和维护更简单
五、关键实现要点（无代码版）
🔑 1. 防止无限循环
┌─────────────────────────────────────────┐
│ 循环控制策略 │
├─────────────────────────────────────────┤
│ 设置最大重试次数（建议 3-5 次） │
│ 超过次数 → 转人工处理 │
│ 每次循环记录重试计数 │
└─────────────────────────────────────────┘🔑 2. 状态持久化（断点续传）
┌─────────────────────────────────────────┐
│ 状态保存机制 │
├─────────────────────────────────────────┤
│ 每个节点执行后自动存档 │
│ 用户关闭页面后再回来，进度不丢失 │
│ 通过线程 ID 关联同一用户的会话 │
└─────────────────────────────────────────┘🔑 3. 人机交互（等待用户填写）
┌─────────────────────────────────────────┐
│ 人工介入节点 │
├─────────────────────────────────────────┤
│ 流程在填写节点暂停 │
│ 用户通过前端界面提交数据 │
│ 系统接收后继续执行后续节点 │
└─────────────────────────────────────────┘🔑 4. 流式反馈（实时显示结果）
┌─────────────────────────────────────────┐
│ 实时反馈机制 │
├─────────────────────────────────────────┤
│ 不用等全部完成才返回 │
│ 每执行一个节点就返回进度 │
│ 用户能看到校验反馈，体验更好 │
└─────────────────────────────────────────┘六、生活化类比总结
| 场景 | LangChain 方式 | LangGraph 方式 |
|---|---|---|
| 做菜 | 按菜谱做完再尝，淡了只能重做 | 边做边尝，淡了当场加盐 |
| 导航 | 固定路线，堵车也硬走 | 实时路况，自动绕路 |
| 考试 | 交卷后等批改，错了下次改 | 做完一题检查一题，错了当场改 |
| 写文章 | 写完统一检查，问题多要重写 | 写一段检查一段，有问题立刻改 |
| 你的考勤流程 | 填完直接提交，错了打回重填 | 填完 AI 先校验，错了当场提示重填 |
七、选型决策指南
| 场景 | 推荐方案 |
|---|---|
| 简单问答/单次调用 | LangChain |
| 多步骤+需要循环校验 | LangGraph ✅ |
| 企业固定审批流程 | K2/传统 BPM |
| AI 智能体多角色协作 | LangGraph ✅ |
| 需要人工介入审批 | LangGraph ✅ |
| 高并发企业级流程 | K2/传统 BPM |
八、总结与下一步建议
核心收获
- LangGraph = LangChain 的能力 + 工作流的编排 + AI 的动态决策
- LangGraph 不是替代 LangChain，而是它的编排层
- 有循环需求的 AI 任务，LangGraph 是首选
- 状态管理是核心，不用自己存，框架自动处理
- 人机交互是亮点，支持中断、恢复、转人工
维度结论
| 维度 | 结论 |
|---|---|
| 你的需求匹配度 | ⭐⭐⭐⭐⭐ 完全匹配 |
| 学习成本 | 中等（需理解图、节点、状态概念） |
| 开发效率 | 高（循环和状态管理内置） |
| 生产成熟度 | 高（已有大量生产案例） |
| 社区支持 | 良好（LangChain 生态） |
下一步建议
- 先跑通最小 Demo（识别→校验→提交）
- 添加状态持久化（支持断点续传）
- 对接 OA 系统 API（正式发起流程）
- 完善前端交互（流式反馈、重试提示）
笔记整理完成 📝 概念清晰、架构完整、对比明确，可直接用于技术方案评审！