LangGraph 深度使用教程与总结

文章目录

- - [LangGraph 深度使用教程与总结](#LangGraph 深度使用教程与总结)

LangGraph 深度使用教程与总结

LangGraph 是由 LangChain 团队推出的专为构建复杂、有状态 AI 智能体（Agent）打造的编排框架。它通过图结构（Nodes + Edges）和状态管理，解决了传统线性链（Chain）无法处理循环逻辑、自我纠错和长短期记忆的痛点，是目前构建生产级自主 Agent 的首选工具。
如果你不是工作要用这玩意，没必要深度学，不值得浪费大量时间。这个东西更偏向于框架和工程过渡的产物，技术人员觉得他偏业务，业务人员根本不愿意用这个东西，后期维护量也很大。

一、核心概念解析

LangGraph 将 AI 工作流建模为有状态的图，其核心由三大要素构成：

状态（State）：工作流的"记忆"与数据载体。所有节点共享并读写同一个状态对象，确保上下文（如对话历史、用户偏好、中间变量）在流转中不丢失。
节点（Nodes）：工作流的基本执行单元。每个节点是一个独立的 Python 函数，负责执行特定任务（如调用 LLM、检索数据库、执行计算），并返回更新后的状态字段。
边（Edges）：节点间的连接与控制流。分为无条件边（固定流转）和条件边（Conditional Edges，根据当前状态动态决定下一步走向），支持复杂的业务分支与循环。

二、核心能力与架构优势

相较于传统框架，LangGraph 提供了支撑生产级应用的关键能力：

循环与自我纠错：原生支持图结构中的"回环（Loops）"，允许 Agent 执行"计划 -> 执行 -> 检查 -> 修正"的循环推理，具备自我反思与纠错能力。
持久化与时间旅行：内置 Checkpointer 机制，在每一步自动保存图的状态。支持"时间旅行"，可随时查看历史步骤、回滚到特定节点并修改状态后重新运行（Fork），极大降低了复杂任务的调试成本。
人机协同（Human-in-the-Loop）：支持在特定节点前设置"断点（Interrupt）"，暂停执行并等待人工审批或输入。人类可在暂停期间修改内部状态，随后 Agent 基于新状态继续运行，确保高风险操作的安全可控。
多 Agent 与子图编排：支持将一个复杂的图封装为子图（Subgraphs）嵌入到更大的图中，轻松构建分层架构的多 Agent 协作系统。
细粒度流式控制：不仅流式输出最终文本，还能流式输出中间过程（如工具调用、状态变更），提升用户体验。

三、基础实战：构建带条件分支的聊天机器人

以下代码演示了 LangGraph 的核心工作流：定义状态、构建节点、配置条件边并编译运行。

python 复制代码

from typing import Annotated, TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langchain_core.messages import HumanMessage, AIMessage

# 1. 定义状态（State）：使用 Annotated 确保消息追加而非覆盖
class State(TypedDict):
    messages: Annotated[list, add_messages]
    intent: str = None

# 2. 定义节点（Nodes）
def classify_intent(state: State):
    """意图识别节点"""
    last_msg = state["messages"][-1].content
    intent = "technical" if "登录" in last_msg or "报错" in last_msg else "general"
    return {"intent": intent}

def handle_technical(state: State):
    """技术问题处理节点"""
    return {"messages": [AIMessage(content="检测到技术问题，正在为您转接技术专家...")]}

def handle_general(state: State):
    """常规问题处理节点"""
    return {"messages": [AIMessage(content="收到您的常规咨询，正在查询知识库...")]}

# 3. 构建图（Graph Construction）
builder = StateGraph(State)
builder.add_node("classify_intent", classify_intent)
builder.add_node("handle_technical", handle_technical)
builder.add_node("handle_general", handle_general)

# 4. 配置边（Edges）
builder.add_edge(START, "classify_intent")

# 动态条件边：根据意图动态路由
def route_by_intent(state: State) -> str:
    return "handle_technical" if state["intent"] == "technical" else "handle_general"

builder.add_conditional_edges(
    "classify_intent",
    route_by_intent,
    {"handle_technical": "handle_technical", "handle_general": "handle_general"}
)

builder.add_edge("handle_technical", END)
builder.add_edge("handle_general", END)

# 5. 编译并运行
graph = builder.compile()
result = graph.invoke({"messages": [HumanMessage(content="我的账号登不上了！")]})
print(result["messages"][-1].content)

四、进阶应用场景

复杂客服工单处理：结合人机协同与多 Agent 协作。用户投诉触发意图识别 -> 自动路由至技术专家 Agent -> 敏感操作触发人工审批断点 -> 审批通过后执行自动化流程。
RAG 检索增强生成优化：构建"检索 -> 生成 -> 质量评估 -> 重新检索/生成"的循环图。若生成内容未通过质量检查，自动回环重新执行，大幅提升回答准确率。
故障根因分析（RCA）自主规划：封装 RCA Agent，通过图结构自主规划排查步骤、调用监控 API、分析日志，并在遇到瓶颈时触发人工介入。

五、深度总结与选型建议

LangGraph 是 AI 应用从"简单脚本"迈向"生产级智能系统"的关键基础设施。它用代码显式地建模了现实业务的复杂性，赋予了 AI 记忆、纠错与可控执行的能力。

适用场景：需要复杂逻辑跳转、多轮状态保持、自我纠错、人机协同审批以及多 Agent 协作的生产级 AI 应用。

局限性提示：LangGraph 属于代码级编排工具，学习曲线较陡。当业务逻辑极其复杂时，图形界面连线易变成难以维护的"蜘蛛网"；且封装较厚，自定义底层 RAG 召回算法等细节时可能受限。若任务核心难点仅在于"从海量文档中检索信息"而非复杂逻辑跳转，LlamaIndex 可能是更优解；若追求业务人员零代码搭建，Dify 等可视化平台更为合适。