从基础Agent到复杂工作流，LangGraph如何用状态机重构智能体开发

在人工智能应用快速落地的今天，智能体Agent已经成为连接大模型与实际业务的关键桥梁。从简单的问答交互，到复杂的内容创作、数据分析、多步骤任务处理，Agent正在不断拓展大模型的应用边界。早期我们借助LangChain搭建基础Agent时，确实能够快速实现工具调用、简单推理等功能，但在面对真实业务场景中复杂的流程控制、多角色协作、循环迭代等需求时，传统Agent的局限性被无限放大。而LangGraph的出现，正是为了解决这些痛点，它以状态机和有向无环图为核心，让智能体的工作流从不可控的黑箱，变成可定义、可调试、可扩展的结构化系统。本文将从基础Agent的困境出发，深入解析LangGraph的核心概念、构建逻辑与实战应用，帮助开发者真正掌握高级智能体的开发方法。

一、传统Agent的瓶颈：为什么我们需要LangGraph

在LangGraph出现之前，大多数开发者使用的都是LangChain提供的基础Agent，比如Zero-shot ReAct。这类Agent依托大模型的推理能力，能够根据用户问题自主判断是否需要调用工具、调用何种工具，看似灵活高效，却在实际项目中暴露出难以忽视的缺陷。

首先是流程完全不可控。基础Agent的执行逻辑完全由大模型主导，开发者无法预设固定的执行顺序，也不能强制要求"先执行调研，再完成撰写，最后进行校对"。在处理多步骤任务时，经常出现步骤混乱、重复执行、遗漏关键环节的问题，导致任务失败率居高不下。

其次是缺乏统一的状态管理。基础Agent没有专门的中间数据存储容器，调研结果、草稿内容、修改意见等关键信息，只能依赖大模型的上下文窗口传递。一旦上下文过长被截断，或是步骤跳转过多，中间数据就会丢失，后续节点无法复用之前的执行结果，严重影响任务连贯性。

再者是无法实现多智能体协作。传统Agent是单一主体模式，只能由一个智能体完成所有任务，无法拆分出调研、写作、校对等独立角色，更不能实现分工协作。面对复杂任务时，单一智能体容易出现决策混乱、专业度不足的问题。

最后是分支与循环能力薄弱。实际业务中经常需要"校对不通过则返回修改""执行失败则重试"等逻辑，但基础Agent难以实现精准的条件分支，更无法控制循环次数，要么陷入死循环，要么提前终止流程，无法满足复杂业务需求。

正是这些痛点，催生了LangGraph的诞生。作为LangChain生态中专门用于构建高级Agent的核心库，LangGraph基于状态机和有向无环图思想，彻底解决了传统Agent的四大缺陷，让智能体工作流实现精准管控、状态共享、多体协作与灵活迭代，成为复杂智能体开发的首选工具。

二、LangGraph核心基石：状态与节点的协同逻辑

LangGraph的本质是状态机驱动的图结构工作流，而状态（State）和节点（Node）是构成这一系统的两大核心要素，二者相互配合，实现数据流转与逻辑执行的完美统一。

（一）状态：工作流的统一数据中心

状态可以理解为整个智能体工作流的数据容器，所有中间结果、执行参数、判断标识都存储在状态中，是各个节点之间数据传递的唯一桥梁。它打破了传统Agent数据传递依赖上下文的局限，实现了数据的共享与持久化。

LangGraph提供两种定义状态的方式，分别适用于不同场景。第一种是Pydantic定义法，通过BaseModel构建结构化状态，自带数据校验功能，适合对数据格式有严格要求的项目，代码示例如下：

from pydantic import BaseModel, Field

class WritingState(BaseModel):
    topic: str = Field(description="写作主题")
    research_data: str = Field(default="", description="调研资料")
    draft: str = Field(default="", description="文章草稿")
    review_comment: str = Field(default="", description="校对意见")
    is_approved: bool = Field(default=False, description="是否通过校对")

第二种是TypedDict定义法，无需数据校验，格式更加灵活，适合快速开发简单工作流，代码示例如下：

from typing import TypedDict

class WritingState(TypedDict):
    topic: str
    research_data: str
    draft: str
    review_comment: str
    is_approved: bool

无论采用哪种方式，状态都具备可修改、可共享的特性，每个节点都能读取状态中的数据，也能对状态进行更新，确保数据在整个工作流中无缝传递。

（二）节点：工作流的最小执行单元

节点是LangGraph中执行具体逻辑的模块，对应工作流中的一个步骤，比如调研、撰写、校对都可以独立成为一个节点。每个节点接收当前状态作为输入，执行完业务逻辑后，返回修改后的状态，完成数据更新。

节点具有高度独立性，可单独开发、测试与复用，既可以是普通函数，也可以是LangChain的Chain、Agent，甚至是另一个LangGraph工作流，扩展性极强。以写作工作流为例，三个基础节点的定义代码如下：

from langchain.chat_models import ChatOpenAI
from dotenv import load_dotenv
import os

load_dotenv()
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.3)

# 调研节点
def research_node(state: WritingState) -> WritingState:
    prompt = f"围绕主题{state['topic']}收集3条核心调研资料，简洁准确"
    research_data = llm.invoke(prompt).content
    return {**state, "research_data": research_data}

# 撰写节点
def write_node(state: WritingState) -> WritingState:
    prompt = f"根据调研资料{state['research_data']}撰写300字左右文章"
    draft = llm.invoke(prompt).content
    return {**state, "draft": draft}

# 校对节点
def review_node(state: WritingState) -> WritingState:
    prompt = f"校对草稿{state['draft']}，检查语法与逻辑，无误则返回通过"
    comment = llm.invoke(prompt).content
    is_approved = "通过" in comment
    return {**state, "review_comment": comment, "is_approved": is_approved}

状态与节点的关系清晰明了，节点是逻辑的执行者，状态是数据的承载者，节点通过修改状态实现数据传递，状态为节点提供执行所需的全部信息，二者共同构成了LangGraph的基础运行框架。

三、构建基础工作流：有向无环图的实战应用

LangGraph的工作流基于有向无环图（DAG）构建，节点作为图的顶点，节点间的执行顺序作为图的边，无循环、方向固定，确保工作流按照预设顺序稳定执行。构建基础DAG工作流只需三步，定义状态、定义节点、搭建图结构，下面以"调研→撰写→校对"线性工作流为例，完成完整实战。

（一）环境准备与依赖安装

首先需要安装LangGraph及相关依赖，命令如下：

pip install langgraph langchain openai python-dotenv

（二）线性工作流完整代码实现

from langgraph.graph import Graph, END
from typing import TypedDict
from langchain.chat_models import ChatOpenAI
from dotenv import load_dotenv
import os

load_dotenv()
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.3)

# 定义状态
class WritingState(TypedDict):
    topic: str
    research_data: str
    draft: str
    review_comment: str
    is_approved: bool

# 定义节点
def research_node(state: WritingState) -> WritingState:
    prompt = f"围绕{state['topic']}收集3条核心调研资料"
    research_data = llm.invoke(prompt).content
    return {**state, "research_data": research_data}

def write_node(state: WritingState) -> WritingState:
    prompt = f"根据资料{state['research_data']}撰写300字文章"
    draft = llm.invoke(prompt).content
    return {**state, "draft": draft}

def review_node(state: WritingState) -> WritingState:
    prompt = f"校对{state['draft']}，无误返回通过"
    comment = llm.invoke(prompt).content
    is_approved = "通过" in comment
    return {**state, "review_comment": comment, "is_approved": is_approved}

# 构建DAG图
graph = Graph(state_schema=WritingState)
# 添加节点
graph.add_node("research", research_node)
graph.add_node("write", write_node)
graph.add_node("review", review_node)
# 定义执行顺序
graph.add_edge("research", "write")
graph.add_edge("write", "review")
graph.add_edge("review", END)
# 设置起始节点
graph.set_entry_point("research")
# 编译工作流
app = graph.compile()

# 执行工作流
initial_state = {
    "topic": "LangGraph核心用法解析",
    "research_data": "",
    "draft": "",
    "review_comment": "",
    "is_approved": False
}
final_state = app.invoke(initial_state)

这种线性DAG工作流流程固定、无分支无循环，适合简单的顺序执行任务，能够保证步骤有序执行，解决了传统Agent流程混乱的问题。

四、条件分支：让工作流具备决策能力

线性工作流只能处理固定流程，而实际业务往往需要根据执行结果选择不同路径，比如校对通过则结束任务，不通过则返回修改。LangGraph通过条件边（Conditional Edges） 实现分支决策，让工作流具备智能判断能力。

（一）条件边的核心逻辑

条件边通过add_conditional_edges方法定义，核心是编写条件判断函数，根据状态中的关键字段，返回下一个执行节点或结束标识END，实现分支跳转。对于简单的布尔值判断，还可以通过mapping参数简化代码，无需编写复杂的判断函数。

（二）带分支的工作流实战

from langgraph.graph import Graph, END
from typing import TypedDict
from langchain.chat_models import ChatOpenAI
from dotenv import load_dotenv
import os

load_dotenv()
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.3)

class WritingState(TypedDict):
    topic: str
    research_data: str
    draft: str
    review_comment: str
    is_approved: bool

# 节点定义与之前一致
def research_node(state: WritingState) -> WritingState:
    prompt = f"围绕{state['topic']}收集3条核心调研资料"
    research_data = llm.invoke(prompt).content
    return {**state, "research_data": research_data}

def write_node(state: WritingState) -> WritingState:
    prompt = f"根据资料{state['research_data']}和意见{state['review_comment']}修改文章"
    draft = llm.invoke(prompt).content
    return {**state, "draft": draft}

def review_node(state: WritingState) -> WritingState:
    prompt = f"校对{state['draft']}，无误返回通过"
    comment = llm.invoke(prompt).content
    is_approved = "通过" in comment
    return {**state, "review_comment": comment, "is_approved": is_approved}

# 构建带条件分支的图
graph = Graph(state_schema=WritingState)
graph.add_node("research", research_node)
graph.add_node("write", write_node)
graph.add_node("review", review_node)

graph.add_edge("research", "write")
graph.add_edge("write", "review")

# 添加条件边，简化写法
graph.add_conditional_edges(
    start_node="review",
    condition=lambda state: state["is_approved"],
    mapping={True: END, False: "write"}
)

graph.set_entry_point("research")
app = graph.compile(max_steps=5)

代码中通过max_steps参数限制最大循环次数，避免因校对不通过陷入无限循环，让分支与循环逻辑更加安全可控。此时工作流会根据校对结果，自动选择结束或重新撰写，完美适配复杂业务的决策需求。

五、多智能体协作：分工协同完成复杂任务

LangGraph最核心的优势之一，是原生支持多Agent协作，我们可以将不同功能的智能体作为独立节点，通过状态共享数据，实现分工明确、高效协同的工作模式。多Agent协作主要有流水线架构和决策-执行架构两种形式。

（一）流水线架构

流水线架构适合流程固定的任务，多个智能体按顺序执行，各自负责单一环节，比如调研Agent负责收集资料，写作Agent负责生成内容，校对Agent负责审核修改，形成完整的生产流水线。

（二）决策-执行架构

决策-执行架构适合流程多变的复杂任务，设置一个核心决策Agent，负责分配任务、判断流程走向，其他执行Agent负责具体操作，执行完成后反馈给决策Agent，由决策Agent决定下一步动作，灵活性更高。

（三）带工具的多Agent实战

实际应用中，智能体需要调用工具增强能力，比如调研Agent调用搜索引擎获取实时资料。以下是集成DuckDuckGo搜索工具的多Agent协作代码：

from langchain.tools import DuckDuckGoSearchRun
search_tool = DuckDuckGoSearchRun()

def research_agent_with_tool(state: WritingState) -> WritingState:
    from langchain.agents import initialize_agent, AgentType
    agent = initialize_agent(
        tools=[search_tool],
        llm=llm,
        agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION
    )
    data = agent.run(f"围绕{state['topic']}收集3条最新资料")
    return {**state, "research_data": data}

将该节点替换原有调研节点，即可让调研Agent具备实时搜索能力，多Agent协作的专业性与实用性大幅提升。同时，多Agent架构具备极强的可扩展性，随时可以添加排版、发布等新智能体，无需改动原有流程。

六、高级迭代控制：Plan-and-Execute架构解析

对于高度复杂、模糊的任务，简单的循环分支无法满足需求，LangGraph支持Plan-and-Execute（规划-执行）高级迭代架构，让智能体先自主规划任务步骤，再逐步执行，最后反思优化，实现自主迭代。

该架构包含三个核心节点，规划节点生成任务步骤，执行节点按步骤完成任务，反思节点检查结果并判断是否需要重新规划。通过条件边实现"规划→执行→反思→重新规划"的循环，直到任务完成。这种模式让智能体具备自主决策与优化能力，适合内容创作、项目管理、数据分析等复杂场景。

七、工作流可视化：调试与优化的关键手段

LangGraph工作流节点与边数量较多时，直观查看结构与执行路径至关重要。LangGraph提供两种可视化方式，一是LangSmith平台可视化 ，配置环境变量后，可实时追踪图结构、执行顺序与状态变化，适合开发调试；二是内置函数导出图片，通过graphviz将工作流导出为PNG图片，快速查看结构，代码如下：

from langgraph.graph import draw_graph
draw_graph(graph, format="png", filename="writing_workflow")

可视化功能极大提升了工作流的调试效率，能够快速定位流程错误、节点故障，同时方便团队协作沟通，统一对工作流的理解。

八、实战总结：LangGraph重构智能体开发思维

通过全文的解析与实战可以发现，LangGraph不仅仅是一个工具库，更是一种全新的智能体开发思维。它摒弃了传统Agent依赖大模型盲目推理的模式，以状态机为核心，用结构化图结构定义工作流，让智能体从不可控的黑箱，变成可设计、可调试、可扩展的标准化系统。

在实际项目中，LangGraph的应用场景极为广泛，内容创作领域可实现调研、撰写、校对、发布的全流程自动化，数据分析领域可完成数据采集、清洗、分析、可视化的协同作业，企业服务中可搭建多角色智能客服，处理复杂客户咨询。无论是简单的线性任务，还是复杂的多体协作、迭代优化，LangGraph都能提供稳定高效的解决方案。

对于开发者而言，掌握LangGraph，就意味着掌握了高级智能体开发的核心能力。从状态与节点的基础设计，到条件分支、多Agent协作、Plan-and-Execute架构的进阶应用，再到可视化调试优化，每一个环节都在提升智能体的实用性与可靠性。随着大模型技术的不断发展，智能体将成为AI应用的主流形态，而LangGraph作为构建复杂智能体的核心工具，必将在AI开发领域占据越来越重要的地位。