【LangGraph】02-LangGraph条件边的使用

今天给大家分享一下LangGraph中条件边的使用，条件边是LangGraph中非常重要的概念，它允许你根据大模型返回的推理结果或上下文中的特定信息决定跳到不同的节点，或者是直接结束返回，让你可以更好的控制你的LangGraph程序的走向来完成复杂的任务。

一、直接上代码

python 复制代码

from langgraph.graph import StateGraph, MessagesState, START, END
from typing import Literal
import random

# 定义大模型调用节点（模拟）
def mock_llm(state: MessagesState):
    return {"messages": [{"role": "ai", "content": "hello world"}]}

# 定义执行路径判断逻辑
def should_continue(state: MessagesState) -> Literal["tool_node", END]:
    random_num = random.randint(1, 10)
    print(f'随机数: {random_num}')
    if random_num % 2 == 0:
        return "tool_node"
    return END

# 定义工具节点
def tool_node(state: dict):
    print('我是tool_node逻辑')

# 创建graph
graph = StateGraph(MessagesState)

# 注册节点
graph.add_node("mock_llm", mock_llm)
graph.add_node("tool_node", tool_node)
# 定义边
graph.add_edge(START, "mock_llm")
# 定义条件边
graph.add_conditional_edges("mock_llm", should_continue)
# 定义边
graph.add_edge("tool_node", "mock_llm")

# 编译
graph = graph.compile()

# 启动
result = graph.invoke({"messages": [{"role": "user", "content": "hi!"}]})

# 打印结果
print(result)

二、结果输出

随机数: 8

我是tool_node逻辑

随机数: 5

{'messages': $HumanMessage(content='hi!', additional_kwargs={}, response_metadata={}, id='5649d900-33f3-4473-b336-94fbdf225338'), AIMessage(content='hello world', additional_kwargs={}, response_metadata={}, id='17dd8af6-b1ee-4310-81dc-d526d836b6cd', tool_calls=\[$ , invalid_tool_calls=\[\]), AIMessage(content='hello world', additional_kwargs={}, response_metadata={}, id='998a3885-6c21-4f61-8d9b-e320c4ba8a17', tool_calls=\[\], invalid_tool_calls=\[\])]}

三、说明

add_conditional_edges方法可以添加一个条件边，第一参数是条件边的上一个节点，第二个参数是一个执行路径判断函数，用来判断接下来的执行路径跳到那一个节点。这里只是简单的根据随机数的奇偶来判断，实际开发中通常会根据大模型返回的推理结果来判断；
tool_node是一个工具执行节点，这里只是简单的打印一句话，实际开发中会根据大模型的推理结果执行对应的工具；
graph.add_edge("tool_node", "mock_llm")会将工具节点跟大模型调用节点连接，如果条件边的判断结果是执行工具节点，则执行完工具节点后跳到大模型节点，然后继续到条件边进行下一轮的判断，直到条件边返回END节点结束。

四、结语

条件边让图具有条件判断的能力，结合普通边连接到大模型节点，图就可以循环执行直到满足最终的结果后返回，条件边的存在让图能描述更加复杂的工作流程。