LangGraph 状态管理实战：解锁追加式消息历史，打造流畅对话系统
在基于 LangGraph 构建对话类应用（聊天机器人、智能助手）时，状态管理是核心痛点之一。传统的状态更新往往是「覆盖式」的，每次更新都会清空原有数据，这对于需要保留完整对话历史的场景完全不适用。
今天就给大家分享 LangGraph 中极具实用性的追加式状态管理模式，专门解决对话历史保留问题，无需手动拼接消息，让状态自动追加、流畅迭代。
一、追加式状态：对话系统的核心刚需
对话系统的本质是多轮交互、历史留存，用户的每一次提问、AI 的每一次回复，都需要完整保留在状态中，不能丢失任何一条消息。
如果用普通状态管理，每次更新都会覆盖之前的消息，对话会直接「断片」；而追加式状态 的核心价值就是：新数据不会覆盖旧数据，而是自动拼接在原有数据之后，完美适配聊天机器人、对话交互等场景。
这种模式的优势非常直观：
- 自动保留完整对话历史，无需手动维护消息列表
- 状态更新极简，节点只需返回新数据，无需处理历史拼接
- 状态流转清晰，符合对话系统的交互逻辑
- 扩展性强，多轮对话、长文本交互都能轻松支持
二、LangGraph 追加式状态的核心实现原理
实现追加式状态的关键，是 LangGraph 结合 Python 类型注解的精准设计 ，核心依赖两个要素：Annotated 类型注解 + 运算符合并规则。
1. 核心注解：Annotated 标记追加规则
在定义状态结构时，我们不再使用普通的列表类型，而是通过 Annotated 为状态字段绑定追加行为。这是告诉 LangGraph：这个字段的更新方式不是覆盖，而是追加。
2. 关键运算符：add 实现列表合并
搭配 operator.add 运算符，让 LangGraph 知道如何处理新旧状态的合并 ------ 对于列表类型，add 运算符等价于列表拼接，新消息会自动追加到原有消息列表的末尾，全程无需手动编写拼接逻辑。
这就是追加式状态的底层逻辑：通过注解声明行为，通过运算符定义规则，让框架自动完成状态追加。
三、追加式状态的完整设计思路
基于这个核心原理，我们可以搭建一套完整的对话状态管理体系，整体分为三部分：
1. 状态定义：区分追加与普通字段
对话状态包含两类字段，各司其职：
- 消息历史字段：使用追加规则，自动保留所有用户与 AI 的消息，是对话的核心数据
- 辅助状态字段：使用普通覆盖规则，用于存储当前对话主题、状态标识等临时数据，每次更新直接覆盖
这种设计既保证了历史不丢失，又让辅助状态灵活更新，兼顾实用性与简洁性。
2. 节点函数：专注生成新数据，无需关心历史
LangGraph 的节点函数是状态更新的入口，在追加式模式下，节点的逻辑极度简化：
- 每个节点只需要生成当前需要新增的一条 / 一组数据
- 直接返回新数据即可，框架会自动将其追加到原有状态中
- 无需读取历史消息、无需拼接列表，代码更简洁、可读性更强
比如用户输入节点只需要生成用户的新消息，AI 回复节点只需要生成 AI 的新回复，剩下的追加工作完全交给框架处理。
3. 图流程：线性流转，完成对话闭环
按照对话的自然流程构建图结构：起始节点 → 用户输入节点 → AI 回复节点 → 总结节点 → 结束节点。
每一步节点执行后，状态都会自动追加新消息，最终在总结节点可以拿到完整的对话历史，实现从交互到总结的全流程闭环。
四、追加式状态的核心优势总结
对比传统的手动维护状态，LangGraph 追加式状态的优势无可替代：
- 极简代码：告别手动列表拼接、状态合并，减少冗余代码
- 自动管理：框架自动处理消息追加，开发者专注业务逻辑
- 稳定可靠：避免因手动合并导致的消息丢失、顺序错乱问题
- 场景适配：完美匹配聊天机器人、对话系统、多轮交互等核心场景
- 易于扩展：新增节点、新增交互步骤，无需修改状态合并逻辑
五、适用场景与实践价值
这种追加式状态管理模式，不仅仅适用于简单的天气查询机器人，几乎所有需要保留历史交互记录的场景都能使用：
- 智能客服机器人
- 多轮对话式助手
- 长文本交互应用
- 带记忆功能的 AI 应用
它是 LangGraph 状态管理中最实用、最常用的模式之一，掌握这种设计思路，能让你基于 LangGraph 开发对话类应用时，效率翻倍、稳定性拉满。
结语
LangGraph 的追加式状态管理，通过 Annotated + 运算符的优雅设计，解决了对话系统中历史状态保留的核心难题。它把复杂的状态合并逻辑交给框架，让开发者专注于业务流程与节点逻辑，是构建高质量对话应用的必备技巧。
后续我会继续分享 LangGraph 状态管理的其他进阶模式，帮助大家彻底掌握 LangGraph 核心能力，轻松开发企业级 AI 应用。
实现代码：
"""
📌 模式2: 消息历史追加
核心机制: Annotated[List, add] 实现自动追加（非覆盖）
适用场景: 聊天机器人、对话系统、需要保留完整历史的场景
"""
import asyncio
from typing import TypedDict, List, Annotated
from operator import add # 关键：列表追加操作符
from langgraph.graph import StateGraph, START, END
from langchain_core.messages import HumanMessage, AIMessage
# ===== 1. 状态定义（关键：Annotated + add）=====
class ChatState(TypedDict):
"""
聊天状态设计:
- messages: 使用 Annotated[List, add] → 自动追加新消息
- current_topic: 当前对话主题（普通字段，覆盖更新）
"""
messages: Annotated[List[HumanMessage | AIMessage], add] # ⚠️ 核心：add 操作符
current_topic: str
# ===== 2. 节点函数 =====
def user_input_node(state: ChatState) -> dict:
"""
用户输入节点: 追加用户消息
返回 {"messages": [新消息]} → 自动追加到历史
"""
print(f"\n[用户输入] 当前消息数: {len(state['messages'])}")
new_msg = HumanMessage(content="用户: 今天天气怎么样？")
return {
"messages": [new_msg], # 返回单元素列表
"current_topic": "天气查询"
}
def ai_response_node(state: ChatState) -> dict:
"""
AI回复节点: 追加AI消息
⚠️ 注意: 返回的 messages 会追加，不会覆盖历史！
"""
print(f"[AI回复] 当前消息数: {len(state['messages'])}")
new_msg = AIMessage(content="AI: 今天北京晴，25°C，适合外出")
return {
"messages": [new_msg], # 再次返回单元素列表
"current_topic": "天气详情"
}
def summary_node(state: ChatState) -> dict:
"""
总结节点: 展示完整对话历史
"""
print(f"\n[对话总结] 总消息数: {len(state['messages'])}")
for i, msg in enumerate(state['messages'], 1):
role = "👤" if isinstance(msg, HumanMessage) else "🤖"
print(f" {role} 消息{i}: {msg.content[:30]}...")
return {"current_topic": "对话结束"}
# ===== 3. 构建图 =====
def build_chat_graph():
builder = StateGraph(ChatState)
builder.add_node("user_input", user_input_node)
builder.add_node("ai_response", ai_response_node)
builder.add_node("summary", summary_node)
builder.add_edge(START, "user_input")
builder.add_edge("user_input", "ai_response")
builder.add_edge("ai_response", "summary")
builder.add_edge("summary", END)
return builder.compile()
# ===== 4. 执行演示 =====
async def main():
print("=" * 60)
print("🧠 模式2: 消息历史追加（Annotated + add）")
print("=" * 60)
graph = build_chat_graph()
# 画图
print(graph.get_graph().draw_ascii())
# 初始状态（必须初始化 messages 为空列表！）
initial_state = {
"messages": [], # ⚠️ 关键：必须初始化，否则合并失败
"current_topic": "初始"
}
print("\n【初始状态】messages 长度: 0")
# 执行图
final_state = await graph.ainvoke(initial_state)
print("\n【最终状态】")
print(f" messages 长度: {len(final_state['messages'])}")
print(f" current_topic: {final_state['current_topic']}")
if __name__ == "__main__":
asyncio.run(main())结果输出：
============================================================
🧠 模式2: 消息历史追加（Annotated + add）
============================================================
+-----------+
| start |
+-----------+
*
*
*
+------------+
| user_input |
+------------+
*
*
*
+-------------+
| ai_response |
+-------------+
*
*
*
+---------+
| summary |
+---------+
*
*
*
+---------+
| end |
+---------+
【初始状态】messages 长度: 0
用户输入\] 当前消息数: 0 \[AI回复\] 当前消息数: 1 \[对话总结\] 总消息数: 2 👤 消息1: 用户: 今天天气怎么样？... 🤖 消息2: AI: 今天北京晴，25°C，适合外出... 【最终状态】 messages 长度: 2 current_topic: 对话结束 更多学习资料尽在 [老虎网盘资源](http://resources.kittytiger.cn/)