LangGraph 判断节点实战：用条件路由打造智能天气查询 Agent

在 AI Agent 开发中，动态决策与流程分支是核心能力。传统线性调用难以应对 "是否需要调用工具""是否结束对话" 等灵活场景，而 LangGraph 的判断节点与条件边机制，能以极简方式实现工作流的智能路由。本文结合天气查询场景，详解 LangGraph 判断节点的核心价值与落地实现。

一、为什么需要 LangGraph 判断节点

常规 AI 对话流程多为固定顺序，无法根据用户意图动态调整执行路径。在工具型 Agent 中，系统必须先判断：

用户问题是否需要调用外部工具
工具执行后如何衔接结果输出
非工具类问题直接结束流程

LangGraph 的判断节点本质是工作流的 "大脑"，基于对话状态实时决策下一步走向，让 Agent 具备类人的思考与分支能力，同时保持流程清晰、可扩展、易维护。

二、核心设计：消息图与判断节点架构

本次实践采用 LangGraph 的MessageGraph消息图架构，状态以对话消息列表为载体，天然适配多轮交互场景。整体流程分为三层节点：

决策判断节点：接收用户输入，通过大模型输出标准化指令，完成意图识别
工具执行节点：根据判断结果调用天气查询工具，获取真实数据
结果生成节点：格式化工具返回信息，输出友好回答

判断节点作为流程入口，承担全流程的路由指挥工作，是整个 Agent 的逻辑核心。

三、判断节点的核心能力

1. 意图识别与指令标准化

判断节点通过强约束提示词，引导大模型输出纯 JSON 格式指令，明确两种动作：

需查询天气：触发工具调用
无需工具：直接结束流程

指令格式统一、无冗余内容，为后续路由提供稳定输入。

2. 运行时动态路由

判断节点执行完成后，条件路由函数读取指令中的动作字段，实时决定流程走向：

动作匹配天气查询 → 跳转工具节点
动作匹配结束指令 → 终止工作流

无需硬编码分支逻辑，流程可随业务灵活扩展。

3. 状态共享与上下文传递

判断节点基于全局消息状态做决策，工具节点与结果节点可无缝读取上下文，保证多步骤间数据一致，避免信息断层。

四、判断节点实现逻辑拆解

1. 节点定义与状态处理

判断节点以消息状态为输入，调用大模型生成决策指令，对输出内容做轻量化清洗，保证指令纯净可解析，为路由环节筑牢基础。

2. 条件边与路由映射

通过条件边绑定判断节点与路由函数，建立 "指令动作→执行节点" 的映射关系。普通边固定工具执行与结果生成的顺序，形成完整闭环：判断节点 →（条件）→ 工具节点 → 结果节点 → 结束判断节点 →（条件）→ 结束

3. 图编译与流程可视化

完成节点与边的定义后，编译生成可执行工作流，并支持 ASCII 流程图输出，直观呈现判断节点的分支逻辑，便于调试与维护。

五、场景验证：判断节点的实际效果

测试 1：天气查询意图

用户询问城市天气时，判断节点识别工具需求，路由至天气工具，执行查询后生成格式化回答，流程完整闭环。

测试 2：非工具类问题

用户提出无关问题时，判断节点直接输出结束指令，工作流立即终止，避免无效工具调用，提升响应效率。
两种场景均由判断节点统一调度，流程切换流畅，逻辑清晰可控。

六、总结与扩展价值

LangGraph 的判断节点，本质是将复杂分支逻辑图式化，以节点 + 条件边的方式，替代繁琐的条件嵌套代码。在本次天气 Agent 中，判断节点实现了：

意图精准识别与流程动态调度
工具调用与直接回答的自由切换
可视化工作流与低耦合架构设计

该模式可直接迁移至知识库问答、函数调用、多步骤任务编排等场景，是构建可靠、灵活 AI Agent 的核心方案。
代码实现：

复制代码

import json
from langchain_core.messages import HumanMessage, AIMessage,SystemMessage
from langchain_openai import ChatOpenAI
from langgraph.graph import MessageGraph, END
import re

def remove_think_tags(text):
    """
    移除字符串中<think></think>标签及其内容

    Args:
        text: 包含think标签的字符串

    Returns:
        移除think标签及其内容后的字符串
    """
    # 支持多行内容和标签可能有的属性
    pattern = r'<think[^>]*>.*?</think>'
    result = re.sub(pattern, '', text, flags=re.DOTALL)

    # 清理空白字符
    result = result.strip()
    result = re.sub(r'\n{3,}', '\n\n', result)  # 限制连续换行
    return result

# ==================== 1. LLM 配置 ====================
# 配置 Deepseek 密钥和模型参数
DEEPSEEK_API_KEY = "xxxxxxxxxxxxxxx"  # 替换为实际的 API Key
llm = ChatOpenAI(
    api_key=DEEPSEEK_API_KEY,
    base_url="https://xxxxxxxxxxxx/v1",  # Deepseek 的 API 基础地址
    model="deepseek-v3:671b",  # Deepseek 对话模型（可选：deepseek-chat-pro 等高级模型）
    temperature=0.7,  # 温度参数（0-1，越低越稳定）
    max_tokens=1024  # 最大生成 tokens
)


# ==================== 2. 工具节点（模拟天气 API）====================
def weather_tool(city):
    weather_map = {
        "北京": "晴，25°C，微风",
        "上海": "多云，28°C，东南风3级",
        "广州": "雷阵雨，30°C，南风4级",
        "深圳": "大雨，29°C，西南风5级"
    }
    return weather_map.get(city, f"{city}暂无天气数据")


# ==================== 3. 定义图节点 ====================
def chain1_node(state):
    """决策节点：严格约束 LLM 输出纯 JSON"""

    print('chain1_node-->state:' + str(state))
    # 🔑 核心修复：强化 Prompt 约束 + 降低 temperature
    system_prompt = (
        "你是一个天气助手。请严格遵守："
        "1. 只输出纯JSON，格式为{'action':'check_weather','action_input':'城市名'}或{'action':'Final Answer','action_input':'结束end'}；"
        "2. 禁止输出任何其他字符（包括空格、换行、```标记、解释文字）；"
        "3. 必须使用双引号；"
        "4. 只输出JSON，不要任何其他文字。"
    )

    # 调用 LLM
    response = llm.invoke([SystemMessage(content=system_prompt)] + state)

    # 🔑 最小清理：仅去除首尾空白（应对模型可能的空格）
    cleaned_content = response.content.strip()
    #去掉 think部分
    cleaned_content = remove_think_tags(cleaned_content)
    # print('chai1+cleaned_content:'+cleaned_content)
    # 返回清理后的纯文本消息
    return AIMessage(content=cleaned_content)


def tool_node(state):
    """工具节点：执行天气查询"""

    print('tool_node-->state:' + str(state))
    last_msg = state[-1].content
    # 直接解析（假设 chain1_node 已确保纯 JSON）
    action_data = json.loads(last_msg)  # 无 try-except，依赖 Prompt 约束
    city = action_data.get("action_input", "北京") or "北京"
    result = weather_tool(city)
    return HumanMessage(content=f"城市:{city}|天气:{result}")


def chain2_node(state):
    """结果生成节点"""
    print('chain2_node-->state:' + str(state))

    # state[-1]最后一个元素
    tool_result = state[-1].content
    city = tool_result.split("|")[0].replace("城市:", "")
    weather = tool_result.split("|")[1].replace("天气:", "")
    return AIMessage(content=f"🌤️ {city}当前天气：{weather}")


# ==================== 4. 构建带条件边的图 ====================
graph = MessageGraph()

#定义点
graph.add_node("chain1", chain1_node)  # 决策节点：LLM判断要查天气/直接结束
graph.add_node("tool", tool_node)      # 工具节点：调用天气查询函数
graph.add_node("chain2", chain2_node)  # 结果节点：格式化输出天气信息
#定义分支
graph.set_entry_point("chain1")



# 条件边路由函数（直接解析，无复杂提取）
def router(state):
    last_msg = state[-1].content
    # 直接解析 JSON（依赖 chain1_node 的纯输出保证）
    action = json.loads(last_msg)["action"]
    print(f"\n🔍 路由决策: action='{action}'")
    return "tool" if action == "check_weather" else END


graph.add_conditional_edges(
    "chain1",
    router,
    {"tool": "tool", END: END}
)
graph.add_edge("tool", "chain2")
graph.add_edge("chain2", END)

app = graph.compile()
# 画流程图
print(app.get_graph().draw_ascii())
# ==================== 5. 执行测试 ====================
if __name__ == "__main__":
    print("=" * 60)
    print("🌤️ 天气查询 Agent 测试（纯 JSON 输出保障）")
    print("=" * 60)

    # 测试用例1：天气查询
    print("\n_TestCase 1: 天气查询 → 触发工具调用_")
    inputs = [HumanMessage(content="北京天气怎么样")]

    for event in app.stream(inputs):
        node = list(event.keys())[0]
        msg = event[node].content
        print(f"\n[→ {node}]")
        print(f"  💬 {msg}")


    # 测试用例2：非天气问题
    print("\n" + "=" * 60)
    print("_TestCase 2: 非天气问题 → 直接返回答案_")
    inputs = [HumanMessage(content="今天星期几")]

    for event in app.stream(inputs):
        node = list(event.keys())[0]
        msg = event[node].content
        print(f"\n[→ {node}]")
        print(f"  💬 {msg}")

结果输出：

+-----------+

| start |

+-----------+

+--------+

| chain1 |

+--------+

. .

.. .

. ..

+------+ .

| tool | .

+------+ .

* .

+--------+ .

| chain2 | ..

+--------+ .

* .

** ..

* .

+---------+

| end |

+---------+

============================================================

🌤️ 天气查询 Agent 测试（纯 JSON 输出保障）

============================================================

TestCase 1: 天气查询 → 触发工具调用

chain1_node-->state:[HumanMessage(content='北京天气怎么样', id='5cf8d50d-fa84-4ff1-9c2c-418f8d426377')]

🔍 路由决策: action='check_weather'

\to chain1

💬 {"action":"check_weather","action_input":"北京"}

tool_node-->state:[HumanMessage(content='北京天气怎么样', id='5cf8d50d-fa84-4ff1-9c2c-418f8d426377'), AIMessage(content='{"action":"check_weather","action_input":"北京"}', id='19c90d91-7fd3-4399-b12d-a1dcaeed0f42')]

\to tool

💬 城市:北京|天气:晴，25°C，微风

chain2_node-->state:[HumanMessage(content='北京天气怎么样', id='5cf8d50d-fa84-4ff1-9c2c-418f8d426377'), AIMessage(content='{"action":"check_weather","action_input":"北京"}', id='19c90d91-7fd3-4399-b12d-a1dcaeed0f42'), HumanMessage(content='城市:北京|天气:晴，25°C，微风', id='3233bff1-940a-40d6-bce6-1e03027317b4')]

\to chain2

💬 🌤️ 北京当前天气：晴，25°C，微风

============================================================

TestCase 2: 非天气问题 → 直接返回答案

chain1_node-->state:[HumanMessage(content='今天星期几', id='e60369ee-7b4c-4c80-8a64-e9b8ccfb1d77')]

🔍 路由决策: action='Final Answer'

\to chain1

💬 {"action":"Final Answer","action_input":"结束end"}

更多学习资料尽在老虎网盘资源

AI开发-python-LangGraph框架（3-28-LangGraph 判断节点实战）

LangGraph 判断节点实战：用条件路由打造智能天气查询 Agent

一、为什么需要 LangGraph 判断节点

二、核心设计：消息图与判断节点架构

三、判断节点的核心能力

1. 意图识别与指令标准化

2. 运行时动态路由

3. 状态共享与上下文传递

四、判断节点实现逻辑拆解

1. 节点定义与状态处理

2. 条件边与路由映射

3. 图编译与流程可视化

五、场景验证：判断节点的实际效果

测试 1：天气查询意图

测试 2：非工具类问题

六、总结与扩展价值