LangGraph 控制流原语解析：Edge、Command、Send、Interrupt

一、引言：为什么需要新的 Agent 控制流模型

随着大模型能力的提升，AI 应用逐渐从简单的 **LLM 调用链（LLM Chain）**演进为复杂的 Agent 系统 。

典型 Agent 往往需要具备以下能力：

• 多轮推理（reasoning loop）
• 动态工具调用（tool selection）
• 并行任务执行（parallel tasks）
• 多 Agent 协作（multi-agent collaboration）
• 人类参与（human-in-the-loop）
• 长时间运行任务（long-running workflows）

传统 LLM pipeline 的结构通常是：

LLM → Tool → LLM → Tool

这种结构存在明显局限：

• 控制流难以表达循环
• 并行任务支持困难
• 状态管理复杂
• 多 Agent 协作缺乏统一模型

为了解决这些问题，LangChain 团队设计了 LangGraph。

LangGraph 的核心思想是：

使用带状态的有向图（Stateful Directed Graph）作为 Agent Runtime。

在 LangGraph 中：

Graph + State + Runtime

共同构成一个完整的 Agent Orchestration System。

而实现复杂控制流的关键，正是 LangGraph 提供的四类 控制流原语（Control Flow Primitives）：

控制原语	作用
Edge	Graph 级流程控制
Command	Node 级动态路由
Send	并行任务分发
Interrupt	人类参与流程

本文将系统解析这四类控制原语的 设计理念、执行机制与架构意义。

---

二、LangGraph Runtime 执行模型

在深入控制流之前，需要理解 LangGraph 的运行机制。

LangGraph Runtime 可以抽象为：

Graph Definition
+ Execution Engine
+ State Store
+ Reducer System

其基本执行流程如下：

Node execution
     ↓
State update
     ↓
Reducer merge
     ↓
Edge resolution
     ↓
Next node scheduling

更具体地说：

1. 节点执行（Node Execution）

   节点执行逻辑，例如调用 LLM 或工具。

2. 状态更新（State Update）

   节点返回新的 state 片段。

3. Reducer 合并（Reducer Merge）

   如果多个节点同时更新 state，需要通过 reducer 合并。

4. 路径解析（Edge Resolution）

   Graph 根据 edge 或 routing 决定下一步节点。

5. 调度执行（Scheduling）

   Runtime 调度新的节点执行。

因此 LangGraph 本质上是一个：

Event-driven Graph Runtime

而不是简单的 DAG workflow。

---

三、Edge：Graph 层控制流

Edge 是 LangGraph 中最基础的控制流机制，它定义了 Graph 的拓扑结构。

LangGraph 提供两种 Edge 类型：

add_edge
add_conditional_edges

---

3.1 静态 Edge

最简单的流程：

graph.add_edge("A", "B")

执行结构：

A → B

特点：

• 执行顺序固定
• 类似传统 workflow

适用于：

ETL pipeline
固定任务流程
工具处理管道

---

3.2 条件 Edge

更常见的情况是需要 动态路由。

LangGraph 提供：

graph.add_conditional_edges(
    "A",
    router,
    {
        "tool": "tool_node",
        "end": END
    }
)

执行流程：

A
 ↓
router(state)
 ↓
tool_node 或 END

Router 的职责是：

根据 state 决定下一节点

Router 可以返回：

单个节点
多个节点
END

---

3.3 并行执行

如果 router 返回多个节点：

["node_b", "node_c"]

Runtime 会并行执行：

node_b
node_c

这使 Graph 可以表达 fan-out workflow。

---

3.4 Edge 的设计哲学

Edge 模式强调：

Graph is the workflow

也就是说：

控制流 = Graph 拓扑

优点：

• 流程清晰
• 可视化友好
• 易于调试

缺点：

• 灵活性有限
• Agent 自主性较弱

---

四、Command：Node 层控制流

随着 Agent 复杂度增加，仅依赖 Edge 会产生一个问题：

控制逻辑被拆分为：

Node logic
+
Router logic

这导致代码分散。

为了解决这一问题，LangGraph 引入了 Command 模式。

---

4.1 Command 的核心思想

Command 是一种 Node-level control primitive。

节点可以同时完成：

更新状态
决定下一节点

示例：

from langgraph.types import Command

def node(state):

    if state["score"] > 0.8:
        return Command(
            update={"result": "good"},
            goto="node_b"
        )

    return Command(
        update={"result": "bad"},
        goto="node_c"
    )

执行流程：

node execution
      ↓
Command(update, goto)
      ↓
state update
      ↓
schedule next node

---

4.2 动态路由能力

Command 允许节点在运行时动态决定下一节点：

node → any node

这非常适合：

Agent reasoning
multi-agent handoff
dynamic tool routing

例如：

planner → researcher → writer

每个节点可以决定下一步。

---

4.3 关于 "Edgeless Graph"

Command 常被描述为支持 edgeless graph。

更准确地说：

Command 提供运行时动态路由能力，
但目标节点必须已经存在于 Graph 中。

因此 Graph 仍然需要注册节点：

builder.add_node(...)

Command 只是减少了显式 Edge 的需求。

---

五、Send：并行任务分发

复杂 Agent 系统经常需要执行 并行任务。

例如：

多主题搜索
文档批量分析
查询扩展

LangGraph 提供 Send 原语。

---

5.1 Send 的基本机制

Send 用于在运行时创建多个任务。

示例：

from langgraph.types import Send

def planner(state):

    topics = state["topics"]

    return [
        Send("research_node", {"topic": t})
        for t in topics
    ]

执行流程：

planner
   ↓
spawn tasks
   ↓
research(topic1)
research(topic2)
research(topic3)

---

5.2 State 隔离

Send 创建的每个任务拥有独立 state：

branch_state = parent_state + payload

例如：

topic = "AI"
topic = "Robotics"
topic = "Biology"

每个 worker 处理自己的 state。

---

5.3 State 合并

并行执行完成后，需要合并 state。

LangGraph 使用 Reducer 机制。

例如：

Annotated[list, operator.add]

表示：

list + list

最终结果合并为：

results = [result1, result2, result3]

---

5.4 Send 的典型应用

Send 常用于：

Map-Reduce Agents
Parallel Search
Batch Processing
Document Summarization

---

六、Interrupt：Human-in-the-loop

在很多真实场景中，Agent 需要人类参与。

例如：

法律文书审核
医疗报告确认
代码评审

LangGraph 提供 Interrupt 原语。

---

6.1 Interrupt 的工作机制

Interrupt 的作用是：

暂停 Graph 执行
等待外部输入

示例：

from langgraph.types import interrupt

def review_node(state):

    feedback = interrupt(
        {"draft": state["draft"]}
    )

    return {"feedback": feedback}

执行流程：

writer
  ↓
review_node
  ↓
interrupt
  ↓
等待人工输入
  ↓
恢复执行

---

6.2 Checkpoint 机制

Interrupt 依赖 LangGraph 的 Checkpoint 系统。

执行流程：

node
 ↓
interrupt
 ↓
checkpoint 保存
 ↓
等待输入
 ↓
resume graph

恢复时：

加载 checkpoint
继续执行

这使 LangGraph 支持：

long-running agents
durable workflows

---

七、四种控制原语的统一模型

LangGraph 的控制流原语可以从架构层次理解。

Graph Layer
    ↓
Node Layer
    ↓
Runtime Layer

对应原语：

Graph Layer
   Edge

Node Layer
   Command

Runtime Layer
   Send
   Interrupt

作用分别是：

Edge       → 定义 workflow 结构
Command    → 实现 Agent 自主决策
Send       → 实现并行任务
Interrupt  → 支持人类协作

四者组合形成完整的 Agent orchestration 能力。

---

八、典型 Agent 架构模式

LangGraph 原语可以组合出多种 Agent 架构。

---

8.1 ReAct Agent

结构：

LLM
 ↓
Tool?
 ↓
Tool Node
 ↓
LLM

通常使用：

conditional edges

---

8.2 Planner--Executor

结构：

planner
 ↓
Send tasks
 ↓
workers
 ↓
aggregator

核心原语：

Send

---

8.3 Multi-Agent Collaboration

结构：

planner
researcher
writer
critic

Agent 之间通过：

Command

进行 handoff。

---

8.4 Human-in-the-loop Workflow

结构：

LLM
 ↓
draft
 ↓
Interrupt
 ↓
human review
 ↓
continue

---

九、LangGraph 的架构意义

LangGraph 并不仅仅是一个 workflow engine。

它更接近于：

Stateful Agent Runtime

结合了：

Workflow Engine
+
Actor Model
+
Graph Execution Runtime

其核心能力包括：

state management
dynamic routing
parallel execution
human collaboration

这使 LangGraph 成为构建复杂 Agent 系统的重要基础设施。

---

十、总结

LangGraph 的控制流体系由四个核心原语组成：

Edge
Command
Send
Interrupt

它们分别解决不同层面的控制问题：

Edge        → workflow routing
Command     → agent autonomy
Send        → parallel execution
Interrupt   → human interaction

四者共同构成一个完整的：

Stateful Agent Runtime

通过组合这些原语，开发者可以构建：

复杂推理 Agent
多 Agent 协作系统
大规模并行任务 Agent
人机协作流程

这也是 LangGraph 相比传统 LLM pipeline 的最大突破。