第07章（下）：LangGraph 工作流进阶 —— 检查点、人工介入与多 Agent 协作

本文面向：已读完第07章（上）基础篇，掌握 State/Node/Edge 概念，想进一步使用 LangGraph 构建生产级应用的开发者。
前期回顾

• 第01章：从零开始调用 LLM-入门 Qwen 大模型 API
• 第02章：Prompt 工程 ------ 用语言精准指挥 AI
• 第03章：LCEL 链式调用------让 AI 任务像流水线一样运转
• 第04章：AI Tools 工具调用 ------ 让 AI 伸出"手"与世界交互
• 第05章：AI Agent 智能体 ------ 让 AI 自主决策，循环解决问题
• 第06章（上）：AI RAG 检索增强生成 --- 从零到生产
• 第06章（下）：AI RAG 向量库选型与生产实践
• 第07章（上）：LangGraph 工作流 ------ 为什么需要它，以及如何入门

---

---

零、本章概述

上一篇解决了"LangGraph 是什么、为什么用"的问题。本篇解决"如何在关键节点暂停等人工确认 "和"如何让多个 AI 角色分工协作"这两个问题。

本章涉及的代码文件：

• lessons/07_langgraph/04_checkpoint_hitl.py ← 检查点 + 可视化 + 人工介入
• lessons/07_langgraph/03_multi_agent_graph.py ← 多 Agent 协作

---

一、检查点（Checkpointer）------ 给工作流装上"保存进度"功能

1.1 什么是检查点？

检查点类似于游戏的"存档"功能：每次图执行到一个节点后，自动保存当前的完整状态。这样可以：

1. 断点续传：从上次暂停的地方继续执行
2. 状态回溯：查看历史某个时间点的状态
3. Human-in-the-Loop（下一节详解）：在暂停点让人工修改状态

1.2 MemorySaver ------ 内存中的检查点

from langgraph.checkpoint.memory import MemorySaver

# ── 创建内存检查点（适合开发/测试）──
memory = MemorySaver()

# ── 编译图时传入 checkpointer ──
graph = builder.compile(checkpointer=memory)

# ── 运行时必须提供 thread_id（用于标识不同的工作流实例）──
config = {"configurable": {"thread_id": "task_001"}}
result = graph.invoke(initial_state, config=config)

thread_id 的作用：

thread_id = "user_alice"  →  Alice 的独立对话历史（存档槽位1）
thread_id = "user_bob"    →  Bob 的独立对话历史（存档槽位2）
thread_id = "report_001"  →  报告001的工作流（存档槽位3）

每个 thread_id 有自己独立的状态存档，互不影响

1.3 生产环境的持久化 Checkpointer

MemorySaver 适合开发阶段，重启后数据丢失。生产环境用：

Checkpointer	安装	特点
MemorySaver	内置	内存，重启丢失，适合开发/测试
SqliteSaver	langgraph-checkpoint-sqlite	SQLite 文件，单机持久化
PostgresSaver	langgraph-checkpoint-postgres	PostgreSQL，多实例共享

# 生产环境示例（SQLite）
from langgraph.checkpoint.sqlite import SqliteSaver

with SqliteSaver.from_conn_string("./checkpoints.db") as checkpointer:
    graph = builder.compile(checkpointer=checkpointer)
    result = graph.invoke(state, config={"configurable": {"thread_id": "task_001"}})

---

二、Human-in-the-Loop ------ 在关键节点等待人工确认

2.1 为什么需要人工介入？

某些 AI 任务不能完全自动化，需要人工在关键节点确认：

场景	为什么需要人工
内容发布	AI 草稿需要编辑审核后才能发布
资金操作	超过阈值的支出需要人工批准
敏感数据删除	不可逆操作必须人工确认
代码部署	生产环境部署需要技术负责人审批

2.2 interrupt_before ------ 在节点执行前暂停

# ── 编译时指定哪些节点前需要暂停 ──
graph = builder.compile(
    checkpointer=memory,
    interrupt_before=["review_node"],  # 在 review_node 执行前暂停
    # interrupt_after=["gen_node"],    # 也可以在节点执行后暂停
)

完整工作流示意：

2.3 完整代码示例

代码文件：lessons/07_langgraph/04_checkpoint_hitl.py

from typing import TypedDict, Annotated
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langgraph.checkpoint.memory import MemorySaver
from langchain_core.messages import HumanMessage, AIMessage

# ── 1. 定义状态 ──
class ReviewState(TypedDict):
    topic: str       # 写作主题
    draft: str       # AI 生成的草稿
    feedback: str    # 人工审核意见（interrupt 后由人工填写）
    approved: bool   # 是否通过审核
    final: str       # 最终发布内容
    messages: Annotated[list, add_messages]

# ── 2. 定义节点 ──
def generate_node(state: ReviewState) -> dict:
    """AI 生成草稿。"""
    draft = llm.invoke(f"请写一篇关于'{state['topic']}'的300字短文").content
    return {"draft": draft}

def review_check_node(state: ReviewState) -> dict:
    """
    审核结果检查节点（在 interrupt_before 后执行）。
    此时 state["approved"] 已由人工通过 update_state() 填写。
    """
    if state.get("approved"):
        print("✅ 人工已批准，准备发布")
    else:
        print(f"❌ 人工拒绝，理由：{state.get('feedback', '无')}")
    return {}  # 不需要修改状态，只检查

def publish_node(state: ReviewState) -> dict:
    """发布节点。"""
    return {"final": state["draft"]}

# ── 3. 路由函数 ──
def route_after_review(state: ReviewState) -> str:
    return "publish" if state.get("approved") else END

# ── 4. 构建图 ──
builder = StateGraph(ReviewState)
builder.add_node("generate", generate_node)
builder.add_node("review_check", review_check_node)
builder.add_node("publish", publish_node)

builder.add_edge(START, "generate")
builder.add_edge("generate", "review_check")
builder.add_conditional_edges("review_check", route_after_review, {"publish": "publish", END: END})
builder.add_edge("publish", END)

# ── 5. 编译：启用检查点 + 人工介入 ──
memory = MemorySaver()
graph = builder.compile(
    checkpointer=memory,
    interrupt_before=["review_check"],  # 在 review_check 前暂停
)

# ── 6. 运行流程 ──
config = {"configurable": {"thread_id": "article_001"}}

# 第一次调用：执行到 generate_node 后暂停（因为下一个是 review_check）
print("第1步：AI 生成草稿...")
graph.invoke({
    "topic": "人工智能对医疗的影响",
    "draft": "", "feedback": "", "approved": False, "final": "",
    "messages": [HumanMessage(content="请写文章")],
}, config=config)

# 查看当前状态（图已暂停）
current_state = graph.get_state(config)
draft = current_state.values["draft"]
print(f"\n草稿：{draft[:200]}")
print(f"下一步将执行：{current_state.next}")  # ('review_check',)

# 人工审核：模拟通过
print("\n第2步：人工审核...")
graph.update_state(config, {"approved": True, "feedback": "很好，可以发布"})

# 继续执行（传 None 表示不改变起始状态，从暂停点继续）
print("\n第3步：继续执行...")
final = graph.invoke(None, config=config)
print(f"发布内容：{final['final'][:100]}")

运行方式：

python lessons/07_langgraph/04_checkpoint_hitl.py

2.4 多轮对话记忆（检查点的另一个用途）

检查点不只用于 Human-in-the-Loop，也是实现多轮对话记忆的基础：

# 同一个 thread_id 的多次调用会自动积累消息历史
config = {"configurable": {"thread_id": "user_alice"}}

# 第1轮：自我介绍
r1 = graph.invoke({"messages": [HumanMessage(content="我叫Alice，我喜欢编程")]}, config=config)

# 第2轮：基于第1轮记忆提问（无需重传历史，checkpointer 自动恢复）
r2 = graph.invoke({"messages": [HumanMessage(content="你还记得我的名字吗？")]}, config=config)
# AI 回答：当然记得，你叫Alice！

# 不同 thread_id = 独立的对话，没有跨对话污染
config_bob = {"configurable": {"thread_id": "user_bob"}}
r3 = graph.invoke({"messages": [HumanMessage(content="你知道刚才那个人叫什么吗？")]}, config=config_bob)
# AI 回答：对不起，我不知道（Bob 的对话看不到 Alice 的历史）

---

三、多 Agent 协作 ------ 分工协作的 AI 团队

3.1 为什么要多 Agent 协作？

单个 Agent 问题（扮演多角色时）：
  同一个 LLM 实例同时扮演"研究员"+"写作者"+"审核者"
  → 角色混乱，行为不稳定
  → 提示词复杂，维护困难
  
多 Agent 方案：
  每个 Agent 专注一个角色，有独立的系统提示
  → 行为更稳定，更容易调试
  → 各 Agent 可以有不同的工具和权限

3.2 典型的多 Agent 模式

协调器（Supervisor）模式：

特点：

• 协调器（Coordinator）= 大脑，负责决策
• 各专业 Agent = 执行者，只负责自己的专长领域
• 通过共享 State 传递信息，不需要 Agent 之间直接"说话"

3.3 多 Agent 状态设计

from typing import TypedDict, Annotated, Optional
from langgraph.graph.message import add_messages

class MultiAgentState(TypedDict):
    task: str               # 原始任务（所有 Agent 都可以读）
    research_notes: str     # 研究员写入，写作者读取
    draft_content: str      # 写作者写入，审核者读取
    final_content: str      # 审核通过后的最终内容
    feedback: str           # 审核者的反馈意见
    current_agent: str      # 协调器写入：下一步谁来处理
    iteration: int          # 迭代次数（防止无限循环）
    messages: Annotated[list, add_messages]

状态设计原则：

• 每个 Agent 只写自己负责的字段
• 通过字段名称区分谁的输出
• 用 iteration 防止无限循环

3.4 完整代码讲解

代码文件：lessons/07_langgraph/03_multi_agent_graph.py

# ── 定义协调器（核心路由逻辑）──
def create_coordinator(llm):
    """
    协调器：分析当前任务完成情况，决定下一步由谁处理。
    返回值：researcher / writer / reviewer / done
    """
    prompt = ChatPromptTemplate.from_messages([
        ("system", """你是任务协调者，判断下一步应该由谁执行：
- 没有研究资料 → 返回 "researcher"
- 有资料没草稿 → 返回 "writer"  
- 有草稿没审核 → 返回 "reviewer"
- 已完成 → 返回 "done"
只返回一个词。"""),
        ("human", "任务：{task}\n资料：{research_notes}\n草稿：{draft_content}\n反馈：{feedback}"),
    ])
    chain = prompt | llm | StrOutputParser()

    def coordinator_node(state: MultiAgentState) -> dict:
        decision = chain.invoke({
            "task": state["task"],
            "research_notes": state["research_notes"] or "（无）",
            "draft_content": state["draft_content"] or "（无）",
            "feedback": state["feedback"] or "（无）",
        }).strip().lower()
        
        # 解析决策（健壮性处理）
        if "researcher" in decision:
            next_agent = "researcher"
        elif "writer" in decision:
            next_agent = "writer"
        elif "reviewer" in decision:
            next_agent = "reviewer"
        else:
            next_agent = "done"
        
        print(f"  [协调器] 决定：→ {next_agent}")
        return {"current_agent": next_agent}

    return coordinator_node

# ── 研究员节点 ──
def create_researcher(llm):
    chain = ChatPromptTemplate.from_messages([
        ("system", "你是资深研究员，收集主题相关资料，分点列出关键事实。"),
        ("human", "收集资料：{task}"),
    ]) | llm | StrOutputParser()

    def researcher_node(state: MultiAgentState) -> dict:
        print("  [研究员] 收集资料中...")
        notes = chain.invoke({"task": state["task"]})
        return {"research_notes": notes}
    
    return researcher_node

# ── 写作者节点 ──
def create_writer(llm):
    chain = ChatPromptTemplate.from_messages([
        ("system", "你是专业作者，基于资料创作流畅文章。如有审核反馈请按反馈修改。"),
        ("human", "任务：{task}\n资料：{research_notes}\n{feedback_section}\n请创作："),
    ]) | llm | StrOutputParser()

    def writer_node(state: MultiAgentState) -> dict:
        print("  [写作者] 写作中...")
        feedback_section = (
            f"审核反馈（请改进）：{state['feedback']}"
            if state.get("feedback") else ""
        )
        draft = chain.invoke({
            "task": state["task"],
            "research_notes": state["research_notes"],
            "feedback_section": feedback_section,
        })
        return {"draft_content": draft}
    
    return writer_node

# ── 审核者节点 ──
def create_reviewer(llm):
    chain = ChatPromptTemplate.from_messages([
        ("system", """你是内容审核专家。
如果内容好，回答以 "APPROVED:" 开头。
如果需要改进，回答以 "REVISION_NEEDED:" 开头并说明原因。"""),
        ("human", "任务：{task}\n草稿：{draft_content}\n请审核："),
    ]) | llm | StrOutputParser()

    def reviewer_node(state: MultiAgentState) -> dict:
        print("  [审核者] 审核中...")
        review = chain.invoke({"task": state["task"], "draft_content": state["draft_content"]})
        iteration = state.get("iteration", 0) + 1
        
        if "APPROVED" in review.upper() or iteration >= 2:  # 最多修改2次
            print("  [审核者] ✅ 通过！")
            return {"final_content": state["draft_content"], "feedback": "", "iteration": iteration}
        else:
            feedback = review.replace("REVISION_NEEDED:", "").strip()
            print(f"  [审核者] ⚠️ 需修改：{feedback[:50]}")
            return {"feedback": feedback, "iteration": iteration}
    
    return reviewer_node

# ── 路由函数 ──
def route_after_coordinator(state: MultiAgentState) -> str:
    return state.get("current_agent", "researcher")

def route_after_reviewer(state: MultiAgentState) -> str:
    """通过则结束，否则发回给写作者修改。"""
    return END if state.get("final_content") else "writer"

# ── 构建多 Agent 图 ──
builder = StateGraph(MultiAgentState)
builder.add_node("coordinator", coordinator)
builder.add_node("researcher", researcher)
builder.add_node("writer", writer)
builder.add_node("reviewer", reviewer)

builder.add_edge(START, "coordinator")
builder.add_conditional_edges(
    "coordinator", route_after_coordinator,
    {"researcher": "researcher", "writer": "writer", "reviewer": "reviewer", "done": END}
)
# 研究员/写作者完成后回到协调器（让协调器决定下一步）
builder.add_edge("researcher", "coordinator")
builder.add_edge("writer", "coordinator")
# 审核者完成后：通过→结束，不通过→直接发回写作者
builder.add_conditional_edges(
    "reviewer", route_after_reviewer, {END: END, "writer": "writer"}
)

运行方式：

python lessons/07_langgraph/03_multi_agent_graph.py

3.5 多 Agent 图的执行过程

运行以上代码时，控制台会看到：

任务：写一篇关于人工智能对教育影响的500字文章
============================================================
  [协调器] 决定：→ researcher
  [研究员] 收集资料中...
  [协调器] 决定：→ writer
  [写作者] 写作中...
  [协调器] 决定：→ reviewer
  [审核者] 审核中...
  [审核者] ⚠️  需修改：请增加具体的教育应用案例...
  [写作者] 写作中...   ← 根据反馈修改
  [审核者] 审核中...
  [审核者] ✅ 通过！
============================================================
最终输出：
（500字文章内容）

---

四、生产环境建议

4.1 防止无限循环

MAX_ITERATIONS = 5

def reviewer_node(state: MultiAgentState) -> dict:
    iteration = state.get("iteration", 0) + 1
    
    # 达到最大迭代次数，强制通过（避免无限循环）
    if iteration >= MAX_ITERATIONS:
        print(f"⚠️ 达到最大迭代次数（{MAX_ITERATIONS}），强制结束")
        return {"final_content": state["draft_content"], "iteration": iteration}
    
    # ... 正常审核逻辑

4.2 使用持久化 Checkpointer

# 开发环境
from langgraph.checkpoint.memory import MemorySaver
checkpointer = MemorySaver()

# 生产环境（SQLite，单机）
from langgraph.checkpoint.sqlite import SqliteSaver
checkpointer = SqliteSaver.from_conn_string("./prod_checkpoints.db")

# 生产环境（PostgreSQL，多机共享）
# from langgraph.checkpoint.postgres import PostgresSaver
# checkpointer = PostgresSaver.from_conn_string("postgresql://...")

4.3 流式输出

# 实时流式输出每个节点的中间结果
for chunk in graph.stream(initial_state, config=config):
    # chunk 是一个字典，key 是节点名，value 是该节点的输出
    for node_name, node_output in chunk.items():
        print(f"[{node_name}] 输出: {node_output}")

4.4 生产环境检查清单

部署前检查：
□ 所有节点都有 try/except 错误处理
□ 循环图有最大迭代次数限制
□ 敏感操作节点设置了 interrupt_before
□ 使用持久化 Checkpointer（非 MemorySaver）
□ thread_id 管理策略（防冲突：如 f"user_{user_id}_{task_id}"）
□ 所有节点都有打印/日志，方便排查问题
□ 测试了各种条件边的路由场景（边界情况）
□ 验证了图结构（print_ascii 或 draw_mermaid）

---

五、常见问题解答

Q: MemorySaver 在生产环境够用吗？

不够用。MemorySaver 存在内存中，服务重启后丢失。生产环境用 SqliteSaver（单机）或 PostgresSaver（多机）。

Q: 多个 Agent 共享同一个 LLM 实例可以吗？

可以，只要 LLM 是无状态的（ChatOpenAI 是无状态的）。各 Agent 的系统提示通过 state_modifier 或 prompt 传入，LLM 实例本身不保存状态。

Q: 如何在 Web 服务中集成 LangGraph？

# FastAPI 示例
@app.post("/start_task")
async def start_task(topic: str):
    thread_id = f"task_{uuid.uuid4()}"
    config = {"configurable": {"thread_id": thread_id}}
    
    # 异步运行，避免阻塞
    result = await graph.ainvoke(initial_state, config=config)
    return {"thread_id": thread_id, "result": result}

@app.get("/get_state/{thread_id}")
async def get_state(thread_id: str):
    config = {"configurable": {"thread_id": thread_id}}
    state = graph.get_state(config)
    return state.values

Q: 图执行过程中某个节点报错怎么处理？

def safe_node(state: MyState) -> dict:
    try:
        result = risky_operation(state)
        return {"result": result, "error": ""}
    except Exception as e:
        # 写入错误信息，让路由函数决定如何处理
        return {"result": "", "error": str(e)}

# 路由函数检查错误
def route_after_node(state: MyState) -> str:
    if state.get("error"):
        return "error_handler"  # 路由到错误处理节点
    return "next_node"

---

六、本章知识点总结

LangGraph 进阶
├── 检查点（Checkpointer）
│   ├── MemorySaver     ← 开发/测试用，内存存储
│   ├── SqliteSaver     ← 单机生产环境
│   └── PostgresSaver   ← 多机生产环境
│
├── Human-in-the-Loop（人工介入）
│   ├── interrupt_before=["node"] ← 节点前暂停
│   ├── get_state(config)         ← 查看当前状态
│   ├── update_state(config, {})  ← 人工修改状态
│   └── invoke(None, config)      ← 从暂停点继续
│
├── 多 Agent 协作
│   ├── 协调器模式（Supervisor Pattern）
│   ├── 共享 State 传递信息（各写各的字段）
│   ├── iteration 字段防止无限循环
│   └── 各 Agent 独立提示词（稳定，可调试）
│
└── 代码文件
    ├── 04_checkpoint_hitl.py    ← 可视化 + 检查点 + 人工介入
    └── 03_multi_agent_graph.py  ← 多 Agent 协作

---

📌 下一章预告 ：第08章学习 MCP（模型上下文协议），这是 AI 工具生态的统一接口标准，让你的 AI 应用轻松接入外部工具和数据源。
作者：阿聪谈架构

公众号：阿聪谈架构 （分享后端架构 / AI / Java 技术文章）

相关代码关注公众号：【阿聪谈架构】 回复：AI专栏代码