LangGraph 是一个用于构建有状态、多参与者应用的工作流库。创建基础图的思路可以概括为以下步骤：
1. 定义状态（State）
状态是工作流中流动的数据容器，通常用 TypedDict 或 Pydantic 模型定义：
from typing import TypedDict, Annotated
from langgraph.graph import StateGraph, END
class State(TypedDict):
messages: Annotated[list, "对话消息列表"]
summary: str
step: int
2. 创建状态图实例
workflow = StateGraph(State) # 传入状态类型
3. 定义节点函数
节点是工作流的基本执行单元，每个节点：
- 接收当前状态作为输入
- 执行特定逻辑
- 返回状态更新（可以是部分更新）
def node1(state: State):
print(f"节点1: 处理消息 {state['messages']}")
return {"step": 1} # 只更新step字段
def node2(state: State):
return {"step": 2, "summary": "处理完成"}
4. 添加节点到图中
workflow.add_node("node_1", node1)
workflow.add_node("node_2", node2)
5. 设置入口点
workflow.set_entry_point("node_1") # 指定从哪里开始
6. 连接节点（添加边）
定义节点间的流转关系：
简单线性流
workflow.add_edge("node_1", "node_2")
workflow.add_edge("node_2", END) # 结束
或使用条件边
workflow.add_conditional_edges(
"node_1",
decide_next, # 决策函数
{"continue": "node_2", "end": END}
)
7. 编译和执行
编译图
app = workflow.compile()
执行
result = app.invoke({"messages": [], "summary": "", "step": 0})
完整示例
from typing import TypedDict
from langgraph.graph import StateGraph, END
1. 定义状态
class MyState(TypedDict):
input: str
processed: str
step: int
2. 创建图
graph = StateGraph(MyState)
3. 定义节点
def input_node(state):
print(f"输入: {state['input']}")
return {"step": 1}
def process_node(state):
processed = state['input'].upper()
return {"processed": processed, "step": 2}
4. 添加节点
graph.add_node("input_node", input_node)
graph.add_node("process_node", process_node)
5. 设置入口
graph.set_entry_point("input_node")
6. 连接节点
graph.add_edge("input_node", "process_node")
graph.add_edge("process_node", END)
7. 编译执行
app = graph.compile()
result = app.invoke({"input": "hello", "processed": "", "step": 0})
print(result) # {'input': 'hello', 'processed': 'HELLO', 'step': 2}
示例执行结果
C:\Users\xiayu\miniconda3\envs\langchain03\python.exe C:\Users\xiayu\PyCharmMiscProject\AI-Agent-Dev-Practices-Code\第8章代码\test.py
输入: hello
{'input': 'hello', 'processed': 'HELLO', 'step': 2}
Process finished with exit code 0
设计思路要点
状态驱动：所有数据都通过状态传递
函数式更新：节点返回状态的部分更新，系统会自动合并
声明式连接：用边明确声明节点间关系
可组合：小图可以组合成大图
可视化：可以导出为可视化图表
常见模式
线性流
A → B → C → END
分支流
→ B
A →
→ C
循环流
A → B → (条件判断) → A 或 END
并行流
→ B
A → → D
→ C
这种设计让复杂的工作流变得清晰、可维护，特别适合构建AI应用、数据处理流水线等场景。
