1. 宏观视角：什么是LangGraph的"图"？
在传统的LangChain中，我们习惯使用"链（Chain）"，它像是一条单行道，数据从A流向B，再流向C，无法回头。
而在LangGraph中，我们使用"图（Graph）"，它更像是一个有向有环图（Directed Cyclic Graph）。这意味着：
- 有向：数据流动的方向是明确的。
- 有环 ：流程可以回到过去的步骤（例如：代码写错了，需要回到上一步重新写）。
解读：
- 链：适合简单的问答，一旦出错很难修正。
- 图 ：适合复杂的Agent，支持循环（Cycles） （如自我修正）和分支（Branching）（如根据意图选择不同路径）。
2. 核心组件一：状态（State）------ 图的"记忆"
在LangGraph中，图本身是无状态的，所有的数据都存储在State 中。State就像是一个共享白板 或背包，它在所有节点之间传递。
每个节点读取白板上的信息，处理后，更新白板上的内容，然后传给下一个节点。
代码实现视角：
我们需要定义一个继承自 TypedDict 的类来规范这个"白板"的格式。
from typing import TypedDict, Annotated, List
import operator
class AgentState(TypedDict):
# messages 列表会自动进行"追加"操作 (Reducer)
# 这意味着节点A添加的消息，节点B也能看到，且不会覆盖旧消息
messages: Annotated[List[str], operator.add]
# 其他自定义字段
current_step: str
retry_count: int关键点： State不仅传递数据，还定义了如何合并数据（Reducer）。例如，对于消息列表，我们通常希望是"追加"而不是"覆盖"。
3. 核心组件二：节点（Nodes）------ 图的"工人"
节点是图中执行具体工作的单元。你可以把它想象成工厂流水线上的工人 ，或者交通网络中的城市。
- 本质：一个Python函数。
- 输入 ：当前的
State。 - 输出 ：对
State的更新（字典格式）。
节点应该是原子化的。不要把太多功能塞进一个节点。
-
好的设计 ：
搜索节点、写作节点、审查节点。 -
坏的设计 ：一个巨大的
处理所有事情的节点。def research_node(state: AgentState):
"""负责搜索信息的节点"""
query = state['messages'][-1]
# 模拟搜索
search_result = f"搜索到的关于 '{query}' 的信息..."
# 返回更新，只更新 messages 字段
return {"messages": [search_result]}def writer_node(state: AgentState):
"""负责写报告的节点"""
# 基于搜索结果写报告
report = "这是生成的报告..."
return {"messages": [report], "current_step": "finished"}
4. 核心组件三：边（Edges）------ 图的"道路"
边决定了流程的走向。如果说节点是"做什么"，边就是决定"下一步去哪"。LangGraph中有两种主要的边：
4.1 普通边（Normal Edges）
就像高速公路，从A到B是固定的，没有选择。
- 场景：步骤1做完必须做步骤2。
4.2 条件边（Conditional Edges）
就像十字路口，需要根据路况（State）决定往左走还是往右走。
- 场景：如果用户问天气，去"天气节点"；如果用户写代码，去"代码节点"。
# 1. 定义路由函数
def route_by_topic(state: AgentState):
last_message = state['messages'][-1]
if "数学" in last_message:
return "math_node" # 返回下一个节点的名称
else:
return "history_node"
# 2. 添加到图中
builder.add_conditional_edges(
"router_node", # 从哪个节点出来
route_by_topic, # 路由函数
["math_node", "history_node"] # 可能的去向列表
)5. 深入理解：图的编译与执行（Pregel模型）
当你定义好节点和边后，需要调用 .compile()。这一步会将你的逻辑转化为一个可执行的机器。LangGraph底层基于 Pregel 模型。
解读：
- 并行性：如果你的图结构允许（例如两个分支互不干扰），LangGraph可以并行执行节点。
- 持久化：每执行一步，状态都会被保存（如果你配置了Checkpointer），这就是"时间旅行"的基础。
6. 综合实战：构建一个"自我修正"的图
让我们把以上概念串起来，构建一个包含循环的图：写代码 -> 检查 -> (如果有错) -> 重写。
from langgraph.graph import StateGraph, END
# 1. 定义状态
class CodeState(TypedDict):
code: str
error_log: str
# 2. 定义节点
def coding_node(state):
# 模拟生成代码
return {"code": "print('Hello')", "error_log": ""}
def checking_node(state):
# 模拟检查代码
if "error" in state['code']:
return {"error_log": "发现语法错误"}
return {"error_log": "OK"}
# 3. 构建图
builder = StateGraph(CodeState)
# 添加节点
builder.add_node("coder", coding_node)
builder.add_node("checker", checking_node)
# 添加边
builder.set_entry_point("coder") # 入口
builder.add_edge("coder", "checker") # 写完必须检查
# 添加条件边 (核心逻辑：循环)
def decide_next(state):
if state['error_log'] == "OK":
return "end"
else:
return "coder" # 有错就回去重写
builder.add_conditional_edges(
"checker",
decide_next,
{"coder": "coder", "end": END}
)
# 4. 编译
app = builder.compile()
# 5. 运行
result = app.invoke({"code": "", "error_log": ""})总结
| 概念 | 类比 | 技术本质 | 核心作用 |
|---|---|---|---|
| State | 共享白板/背包 | TypedDict + Reducers |
跨节点传递数据，保持记忆 |
| Node | 工人/城市 | Python 函数 | 执行具体的业务逻辑 (LLM/Tool) |
| Edge | 道路/路标 | add_edge / add_conditional_edges |
控制流程走向，实现分支与循环 |
| Graph | 交通网 | 有向有环图 (DCG) | 编排复杂任务，实现Agent自主性 |