LangGraph标准构建示例

第一部分：专门定义状态（类似于 state.py）

在这里，我们只关心数据结构长什么样，完全不引入任何大模型的代码。Python

from langgraph.graph import MessagesState

# 1. 定义状态类
# 继承 MessagesState 以获取历史对话功能，同时增加自定义字段
class AgentState(MessagesState):
    user_intent: str       # 记录用户意图
    extracted_params: dict # 记录从对话中提取的结构化参数
    retry_count: int       # 记录发生错误的重试次数

第二部分：专门定义节点逻辑（类似于 nodes.py）

这里是纯粹的业务函数。它只需要声明自己接收 AgentState 作为参数，然后返回需要更新的字典即可。它不需要知道图（Graph）是怎么流转的。

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-3.5-turbo")

# 2. 定义独立的节点函数
def analyze_intent_node(state: AgentState):
    """专门负责分析意图的节点"""
    messages = state["messages"]
    
    # 这里可以有非常复杂的 LLM 调用、Prompt 拼接逻辑
    # 为了演示，我们直接写死一个返回值
    # 实际应用中，这里可能是 llm.with_structured_output().invoke(...)
    intent = "query_weather" 
    
    # 只返回需要更新的状态字段
    return {"user_intent": intent}


def generate_reply_node(state: AgentState):
    """专门负责生成最终回复的节点"""
    intent = state.get("user_intent", "unknown")
    
    # 结合当前状态中的自定义字段去调用 LLM
    response = llm.invoke([
        {"role": "system", "content": f"用户的意图是: {intent}，请回复。"},
        *state["messages"]
    ])
    
    return {"messages": [response]}

第三部分：组装智能体图（类似于 graph.py）

在这里，我们将前面定义好的"状态类"和"节点函数"像拼图一样拼起来。

from langgraph.graph import StateGraph, START, END

# 3. 组装图
# 传入状态类
workflow = StateGraph(AgentState)

# 添加节点函数
workflow.add_node("intent_analyzer", analyze_intent_node)
workflow.add_node("reply_generator", generate_reply_node)

# 定义流转逻辑
workflow.add_edge(START, "intent_analyzer")
workflow.add_edge("intent_analyzer", "reply_generator")
workflow.add_edge("reply_generator", END)

# 编译运行
app = workflow.compile()

为什么要这样分开设计？

1. 代码极度清晰 ：如果您的智能体有 10 个节点，把逻辑全写在一起会变成一场灾难。分开后，您只需去 state.py 看数据结构，去 nodes.py 修改 LLM 的提示词和解析逻辑。

2. 方便独立测试 ：因为节点就是普通的 Python 函数，您可以在不运行整个图的情况下，单独给 analyze_intent_node 传入一个假造的 AgentState 字典进行单元测试。

3. 团队协作：一个人可以负责设计状态数据结构，另一个人去专心调优 LLM 节点的 Prompt，互不干扰。