5.9 式输出：实时查看 LangGraph Agent 思考过程

常丛丛2026-07-03 10:15

LangGraph 提供了 ****** **stream()** ** 方法，支持逐块返回执行进度，实现类似 ChatGPT 的逐字输出效果。下面从为什么需要流式输出、stream 与三种 stream_mode，到三个递进脚本，把流式调用从概念落到代码。

为什么需要流式输出

用户体验：消除等待焦虑

传统 invoke 方式：

text 复制代码 
用户：请帮我写一篇关于 AI 的文章

[等待 30 秒......]

Agent：这是一篇关于 AI 的文章......

用户全程无反馈，体验较差。

流式输出则逐块返回中间结果，让用户知道 Agent 还在工作。

适用场景

| 场景 | 说明 |

| --- | --- |

| 长时间任务 | 数据分析、多步推理，用户能实时看到进度 |

| 调试与可观测性 | 查看每个节点的执行结果，快速定位问题节点 |

| 聊天应用 | 逐字返回 LLM 回复，类似 ChatGPT 体验 |

流式输出让用户看到完整的推理过程，而不只是最终结果，建立透明度和信任感。

invoke vs stream

invoke：一次性返回

python 复制代码 
result = app.invoke({"messages": [HumanMessage(content="广州天气如何？")]})

print(result)

特点：全部节点执行完成后，一次性返回完整 Result。适合后台任务、不需要实时反馈的场景。

stream：逐块返回

python 复制代码 
for chunk in app.stream(

    {"messages": [HumanMessage(content="广州天气如何？")]},

    stream_mode="values",

):

    print(chunk)

特点：参数与 invoke 基本相同，但返回生成器 ，用 for 循环逐块处理每个切片。每个节点执行后立即返回一块数据，无需等待整图跑完。

三种 stream_mode

调用 stream() 时通过 stream_mode 选择输出粒度：

| 模式 | 返回内容 | 数据量 | 适用场景 |

| --- | --- | --- | --- |

| values | 节点执行后的完整 State | 最大 | 查看完整状态变化 |

| updates | 每个节点本次更新的字段 | 中等 | 调试、节点级日志 |

| messages | 消息增量（含 LLM token 流） | 最小 | 聊天应用逐字输出 |

values 模式

每次返回当前完整 State。新 chunk 会累积之前的所有消息，再加一条新内容：

  • 第 1 块：只有用户问题

  • 第 2 块：用户问题 + AIMessage（含 tool_calls）

  • 第 3 块：+ ToolMessage（工具结果）

  • 第 4 块：+ 最终 AIMessage（整理后的回答）

适合需要观察 State 全貌变化的场景。

updates 模式

每次只返回本次节点更新的内容 ，格式为 {节点名: 更新字典}：

python 复制代码 
for chunk in app.stream(input, stream_mode="updates"):

    for node_name, node_update in chunk.items():

        print(f"节点 [{node_name}] 输出: {node_update}")

  • llm 节点 → 返回 AIMessage

  • tools 节点 → 返回 ToolMessage

  • 下一个 llm 节点 → 返回最终回答

每次 chunk 都是增量，不包含历史重复内容，适合调试和结构化日志。

messages 模式

只返回消息的增量内容，数据量最小。配合 LLM 的 token 流，每个 token 作为一个 chunk 输出，实现真正的逐字打印：

python 复制代码 
for chunk in app.stream(input, stream_mode="messages"):

    if chunk.content:

        print(chunk.content, end="", flush=True)

messages 模式会继承大模型自身的流式输出能力，LangGraph 自动处理 LLM 的 stream，每个 token 作为一个 chunk 返回。

流式输出工作原理

text 复制代码 
app.stream() 调用

       │

       ▼

  START 节点执行 → 生成 chunk 1 → 立即返回

       │

       ▼

  节点 2 执行 → 生成 chunk 2 → 立即返回

       │

       ▼

  节点 3 执行 → 生成 chunk 3 → 立即返回

       │

       ▼

     ......

关键：每个节点执行后立即返回 chunk，用户可实时打印、存储或转发，无需等待整个图执行完毕。

脚本 1：invoke 与 stream 对比

*文件： **1**_***invoke和stream对比.py ****

构建带工具调用的天气 Agent，对比 invoke 与 stream(values) 的差异：

python 复制代码 
import os

import time

from dotenv import load_dotenv

from langchain_openai import ChatOpenAI

from langchain_core.tools import tool

from langchain_core.messages import HumanMessage

from langgraph.graph import StateGraph, START, END, MessagesState

from langgraph.prebuilt import ToolNode, tools_condition

  


load_dotenv()

  


llm = ChatOpenAI(

    model="deepseek-ai/DeepSeek-V3.2",

    base_url="https://api.siliconflow.cn/v1",

    api_key=os.getenv("SILICONFLOW_API_KEY"),

    temperature=0,

)

  


WEATHER_DATA = {

    "北京": "晴天，气温 15-25°C，空气质量良",

    "上海": "多云，气温 18-28°C，空气质量优",

    "广州": "多云，气温 20-30°C，空气质量优",

    "深圳": "阵雨，气温 22-28°C，空气质量良",

}

  


@tool

def get_weather(city: str) -> str:

    """获取指定城市的天气信息"""

    time.sleep(1)  # 模拟延迟，便于观察流式差异

    return WEATHER_DATA.get(city, f"暂无 {city} 的天气信息")

  


tools = [get_weather]

llm_with_tools = llm.bind_tools(tools)

  


def llm_node(state: MessagesState):

    response = llm_with_tools.invoke(state["messages"])

    return {"messages": [response]}

  


graph = StateGraph(MessagesState)

graph.add_node("llm", llm_node)

graph.add_node("tools", ToolNode(tools))

graph.add_edge(START, "llm")

graph.add_conditional_edges("llm", tools_condition)

graph.add_edge("tools", "llm")

  


app = graph.compile()

input_data = {"messages": [HumanMessage(content="广州天气如何？")]}

  


# 普通调用：等全部完成后一次性输出

print("=== 普通调用 invoke ===")

result = app.invoke(input_data)

print(result["messages"][-1].content)

  


# 流式调用 values 模式：逐块输出

print("\n=== 流式调用 stream (values) ===")

for chunk in app.stream(input_data, stream_mode="values"):

    print("--- chunk ---")

    print(chunk)

**对比效果： **

  • invoke：打印「普通调用」后需等待较长时间，结果一次性出现

  • stream(values)：几乎立即开始逐块输出，每块包含累积的完整 messages 列表

values 模式下，每个 chunk 的 messages 会逐步增长：用户消息 → +AIMessage(tool_calls) → +ToolMessage → +最终 AIMessage。

脚本 2：updates 模式

*文件： **2**_***updates模式.py ****

图结构与脚本 1 相同，改用 stream_mode="updates"，只打印每个节点的增量更新：

python 复制代码 
# 图构建同上，此处省略

  


print("=== 流式调用 stream (updates) ===")

for chunk in app.stream(input_data, stream_mode="updates"):

    for node_name, node_update in chunk.items():

        print(f"节点 [{node_name}]")

        for msg in node_update.get("messages", []):

            print(f"  {type(msg).__name__}: {msg.content or msg.tool_calls}")

        print()

**运行结果示例： **

text 复制代码 
节点 [llm]

  AIMessage: [tool_calls: get_weather(city='广州')]

  


节点 [tools]

  ToolMessage: 多云，气温 20-30°C，空气质量优

  


节点 [llm]

  AIMessage: 广州当前天气为多云，气温 20-30°C，空气质量优。

与 values 的区别：每次 chunk 只包含本次节点新增的内容，不重复历史消息，更适合调试和节点级日志。

脚本 3：messages 模式

*文件： **3**_***messages模式.py ****

单 LLM 节点，用 messages 模式实现 ChatGPT 式逐字输出：

python 复制代码 
import os

from dotenv import load_dotenv

from langchain_openai import ChatOpenAI

from langchain_core.messages import HumanMessage

from langgraph.graph import StateGraph, START, END, MessagesState

  


load_dotenv()

  


llm = ChatOpenAI(

    model="deepseek-ai/DeepSeek-V3.2",

    base_url="https://api.siliconflow.cn/v1",

    api_key=os.getenv("SILICONFLOW_API_KEY"),

    temperature=0.7,

    streaming=True,

)

  


def llm_node(state: MessagesState):

    response = llm.invoke(state["messages"])

    return {"messages": [response]}

  


graph = StateGraph(MessagesState)

graph.add_node("llm", llm_node)

graph.add_edge(START, "llm")

graph.add_edge("llm", END)

  


app = graph.compile()

input_data = {"messages": [HumanMessage(content="用一句话介绍什么是 LangGraph")]}

  


print("=== 流式调用 stream (messages) ===")

for chunk, metadata in app.stream(input_data, stream_mode="messages"):

    if chunk.content:

        print(chunk.content, end="", flush=True)

print()

**效果： **

文字像 ChatGPT 一样逐字打印，只返回消息内容本身，不含节点名、State 结构等额外信息。长文本时效果更明显------用户能实时看到生成进度。

三种模式对比（一图看懂）

text 复制代码 
values 模式：

  chunk1: {messages: [HumanMessage]}

  chunk2: {messages: [HumanMessage, AIMessage(tool_call)]}      ← 累积

  chunk3: {messages: [HumanMessage, AIMessage, ToolMessage]}     ← 累积

  chunk4: {messages: [HumanMessage, AIMessage, ToolMessage, AIMessage]}  ← 累积

  


updates 模式：

  chunk1: {llm: {messages: [AIMessage(tool_call)]}}               ← 仅增量

  chunk2: {tools: {messages: [ToolMessage]}}                      ← 仅增量

  chunk3: {llm: {messages: [AIMessage]}}                          ← 仅增量

  


messages 模式：

  chunk1: "Lang"

  chunk2: "Graph"

  chunk3: " 是"

  chunk4: "..."

  ← 逐 token 输出，仅消息正文

小结

| 要点 | 内容 |

| --- | --- |

| invoke | 整图跑完后一次性返回，适合后台任务 |

| stream | 逐块返回生成器，适合实时反馈 |

| values | 每次返回完整 State，数据最全，消息累积 |

| updates | 每次只返回节点增量，适合调试日志 |

| messages | 只返回消息/token 增量，适合聊天逐字输出 |

| 选型 | 调试看 updates，聊天用 messages，全状态追踪用 values

相关推荐
魏祖潇1 小时前
SDD 完整指南——Spec 端打底、Story 端交付、留白区
人工智能·后端
Token炼金师1 小时前
从节点图到低秩矩阵：ComfyUI 推理引擎与 LoRA 适配机制拆解
人工智能·aigc
武子康1 小时前
调查研究-210 Netflix 用 AI 复刻 Gene Wilder 的声音：语音克隆的下半场，不是模型，而是权利
人工智能·aigc·openai
Quz1 小时前
在 Obsidian 中嵌入 Claude Code 的实践记录
人工智能·claude
雪隐2 小时前
个人电脑玩AI-10让5060 Ti给你打工——部署 Odysseus：终于有个能打的"AI管家"了
人工智能·后端
武子康2 小时前
调查研究-209 Apptronik Robot Park 深度解析：人形机器人竞争，开始拼“真实世界数据工厂“
人工智能·google·llm
IT_陈寒2 小时前
Vite打包时踩的坑：静态资源为啥突然404了？
前端·人工智能·后端
一点一木3 小时前
🚀 2026 年 6 月 GitHub 十大热门项目排行榜 🔥
人工智能·github
aneasystone本尊3 小时前
学习 turbovec 的 SIMD 搜索内核
人工智能
热门推荐
012026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf02GitHub 镜像站点03【AI】2026 年具身智能模型和世界模型总结042026年6月AI大模型全景报告：GPT-5.6、Claude Opus 4.8、Gemini 3.5，中美AI三足鼎立谁主沉浮？052026 AI 编程工具终极实战指南：Cursor vs Claude Code vs Copilot，开发者该怎么选？06Claude Code、Codex、Cursor三分天下：2026年AI编程Agent生态全景剖析072026年6月AI行业全景：从百模大战到Agent元年，这30天发生了什么？082026 年 AI 大模型 & AI 编程工具实战全总结09Trae国际版与国内版深度测评：AI原生IDE的双生花10AI科技热点日报 | 2026年07月01日