前言
接近8.9年老前端了,34岁,双非普本,坐标广州,25年底被裁员,然后这三个月内也有去投简历,也有面试,有一些推进到二面然后就没有下文,不禁感叹现在的大环境实在不怎么样,而且前端在AI的冲击下也是最受影响的,除了音视频,图形化方面还能蹦跶一下,AI已经能完成80-90%的前端工作,在学历以及就业背景都不是特别强的情况下,一般的前端哪怕你技术还不错,你也很缺竞争力;在失业这三个月经历了持续学习、迷茫到看到曙光,决定要转型自学做AI agent;
大纲
- 前一天心路历程
- 前一天的时间分配(不限于学习,也会有运动)
- 前一天的知识总结(前期或许较少)
心路历程
最近完成了langchain跟langgraph的一些相关知识点的学习,准备进入实战阶段,但是最近减少了没有锻炼了,明天还要复建才行,毕竟身体最重要,下次发文章的时候大家应该可以看到我产出的智能体项目,以及我的项目回顾跟总结,我自己也很期待
对了大家有没有什么可以提升专注力的办法,有时候总感觉专注力容易飘散,特别是学习一些概念知识的时候,不知道是不是没有动手写代码的原因,感觉有时候整理知识文档之后需要一些时间去消化跟回味
最近都有多看看伟人留下的话语,让我经常感受到我跨越时空的力量在鼓励着我
时间分配
最近的学习时间不是很标准,早上有时候都要9点多才醒,然后盯一下股票,休息时间还变长了,还没锻炼,批评一下自己
知识总结
这些天基本完成了LangGraph体系的知识图谱的学习,基本理念已经掌握,下面就发一下最基础的概念吧
LangGraph 基础概念
一、一句话理解 LangGraph
LangGraph = LangChain 的"图级编排器"
把线性流水线变成地铁网，支持分支、循环、等人、回退、模块化。
生活比喻：
- LangChain 像流水线：A→B→C，顺序固定
- LangGraph 像地铁图：可分支、循环、折返、换乘
二、核心四要素
| 概念 | 作用 | 代码对应 |
|---|---|---|
| State（状态） | 节点间传递的数据 | class StateObj(TypedDict) |
| Nodes（节点） | 执行具体任务 | graph.add_node("model", modelCb) |
| Edges（边） | 定义执行顺序 | graph.add_edge(START, "model") |
| Graph（图） | 整体结构容器 | StateGraph(StateObj) |
三、基本连接llm代码
python
from typing import TypedDict, Annotated, List
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os
load_dotenv(encoding='utf-8')
# ========== 1. 定义状态（State）==========
# 关键：Annotated + add_messages 实现消息追加而非覆盖
class StateObj(TypedDict):
messages: Annotated[List, add_messages]
# ========== 2. 初始化大模型 ==========
llm = init_chat_model(
model="qwen-plus",
model_provider="openai",
api_key=os.getenv("aliQwen-api"),
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)
# ========== 3. 定义节点函数 ==========
# 关键：每个节点接收当前状态，返回部分更新
def modelCb(state: StateObj) -> StateObj:
reply = llm.invoke(state["messages"])
return {"messages": [reply]} # 只返回变化的部分，LangGraph 自动合并
# ========== 4. 构建图 ==========
graph = StateGraph(StateObj) # 创建图，绑定状态类型
graph.add_node("model", modelCb) # 添加节点
graph.add_edge(START, "model") # 起点 → 模型节点
graph.add_edge("model", END) # 模型节点 → 终点
# ========== 5. 编译运行 ==========
app = graph.compile()
result = app.invoke({"messages": "请简单说明一下LangGraph的运作流程"})
print(result["messages"][-1].content)
# ========== 6. 可视化图结构 ==========
#1. 打印图的ascii可视化结构
print(app.get_graph().print_ascii())
print("="*50)
#2. 打印图的Mermaid代码可视化结构并通过https://www.processon.com/mermaid编辑器查看
print(app.get_graph().draw_mermaid())四、代码中的三个关键机制
1. Annotated[List, add_messages]
- 作用： 告诉 LangGraph 新消息追加到列表末尾，而不是覆盖
- 不加的话： 每次返回
{"messages": [reply]}会丢掉之前的对话历史
2. 节点函数只返回部分状态
- LangGraph 自动将返回值合并到当前状态
- 不需要返回整个 StateObj，极大简化代码
3. graph.compile() 的作用
- 验证图结构（无孤立节点、无不可达节点、无非法循环）
- 生成可执行的 Runnable 对象
- 为后续扩展（checkpointer、interrupt 等）做准备
五、LangGraph 的重要特性
以下是 LangGraph 区别于普通 Chain 的核心能力：
1. 条件分支（Conditional Edges）
- 是什么： 根据当前状态选择不同路径
- 代码示例：
python
def route(state):
if state["need_human"]:
return "human_node"
return "model_node"
graph.add_conditional_edges("model", route, {"human_node": "human", "model_node": "model"})- 生活比喻： 地铁到站后，根据乘客目的地决定换乘哪条线
2. 循环（Cycles）
- 是什么： 边可以指回之前的节点，形成循环
- 典型场景： 信息不足时重复搜索，直到条件满足
- 生活比喻： 坐错站了，坐回头车回到上一站
3. 持久化与断点续跑（Persistence & Interrupt）
- 是什么： 使用
checkpointer保存状态，程序重启后可恢复 - 代码示例：
python
from langgraph.checkpoint import MemorySaver
app = graph.compile(checkpointer=MemorySaver())
# 中断后可从保存点恢复执行- 生活比喻： 游戏存档，退出后能接着玩
4. 人机协作（Human-in-the-Loop）
- 是什么： 图中插入人工节点，
interrupt暂停等待人工输入 - 典型场景： AI 生成内容后人工审核、敏感操作前人工确认
- 生活比喻： 自动驾驶遇到复杂路口，让司机接管一下
5. 子图（Subgraphs）
- 是什么： 一个节点可以是另一个完整的
StateGraph - 好处： 模块化、可复用、独立测试
- 生活比喻： 地铁环线本身是一个完整的图，可以被嵌入全市地铁网
6. 时间旅行（Time Travel）
- 是什么： 回退到历史某个状态重新执行
- 生活比喻： 游戏中的"读档"功能
7. 多智能体协作（Multi-Agent）
- 是什么： 多个 Agent 节点在同一图中分工、协调、竞争
- 架构模式： 网络式、层级式、监督式等
8. 可观测性（Observability）
- 是什么：
get_graph().print_ascii()直接打印执行路径 - 好处： 清晰看到 Agent 的决策路径，快速定位问题
- 生活比喻： 地铁线路图贴在墙上，永远不会迷路
六、适用场景速查
| ✅ 适合 | ❌ 不适合 |
|---|---|
| 多步复杂推理 | 简单一次性问答 |
| 需要循环/分支的逻辑 | 线性链就够用的场景 |
| 长时间运行任务（需持久化） | 快速原型验证 |
| 需要人工介入 | |
| 多智能体协作 | |
| 追求生产级可观测性 |
七、总结
State 是灵魂，Node 是手脚，Edge 是路线，Graph 是地图。
LangGraph 的核心价值在于：把 AI 工作流从线性锁链 变成可控的网络，让你能自由实现分支、循环、持久化、人机协作、模块化复用等复杂逻辑。
目标
成为AI agent工程师并且就业
帮助
需要大家的关注跟点赞,你们的关注点赞就是对我最大的鼓励,或许以后待以后我技术成熟时,你们中间的大佬还可以捞一捞我,感谢