如何使用LangGraph(1)

从 0 跑通 LangGraph：用一个最小示例理解 State、消息流转和流程图

LangGraph 适合把 LLM 应用拆成多个步骤，每个步骤负责一件事，状态在图里流转。

这篇文章不讲复杂业务，只用一个最小示例，把 StateGraph、节点执行、消息流转、结果输出和流程图导出一次跑通。

先看效果

运行后，终端输出如下：

{'messages': [HumanMessage(content='你好？', additional_kwargs={}, response_metadata={}), AIMessage(content='你好，我是一个节点', additional_kwargs={}, response_metadata={}, tool_calls=[], invalid_tool_calls=[])], 'extra_field': 1}
================================ Human Message =================================

你好？
================================== Ai Message ==================================

你好，我是一个节点

流程图如下：

从图里可以看到，流程非常简单：start -> node -> end。

这个例子虽然简单，但已经把 LangGraph 里最核心的几件事串起来了：

• 定义状态
• 传入初始消息
• 在节点里处理状态
• 返回新的状态
• 输出图结构

完整代码

from langchain_core.messages import AnyMessage, AIMessage, HumanMessage
from typing_extensions import TypedDict
from langgraph.graph import StateGraph

# 图里传递的数据
class State(TypedDict):
    # 消息列表
    messages: list[AnyMessage]

    # 示例字段
    extra_field: int


# 节点函数
def node(state: State):
    # 取出消息列表
    messages = state["messages"]

    # 新消息
    new_message = AIMessage("你好，我是一个节点")

    # 返回更新后的 state
    return {
        "messages": messages + [new_message],
        "extra_field": 1,
    }


# 创建图
graph = StateGraph(State)

# 加节点
graph.add_node(node)

# 入口节点
graph.set_entry_point("node")

# 编译图
graph_builder = graph.compile()

# 执行图
result = graph_builder.invoke({
    "messages": [HumanMessage("你好？")],
    "extra_field": 0,
})
print(result)

# 逐条打印消息
for message in result["messages"]:
    message.pretty_print()

# 生成 PNG
png_bytes = graph_builder.get_graph().draw_mermaid_png()

# 保存图片
with open("graph.png", "wb") as f:
    f.write(png_bytes)

代码拆解

1. State 是状态定义

TypedDict 用来定义字典结构。这里的 State 表示图在节点之间传递的数据：

• messages：消息列表
• extra_field：示例字段

2. node 是一个节点

节点就是图里的一个处理步骤。

这个节点做了两件事：

• 取出原来的消息列表
• 追加一条新的 AIMessage

最后返回新的 state 片段。

这里可以把 node 理解成一个最小的处理单元。输入是当前状态，输出是更新后的状态。

3. StateGraph(State) 创建图

这一步是在告诉 LangGraph：这张图的状态结构就是上面的 State。

4. set_entry_point("node") 指定入口

图运行时会先从 node 开始执行。

5. invoke() 执行图

这里传入初始 state：

{
    "messages": [HumanMessage("你好？")],
    "extra_field": 0,
}

这里和最基础的空输入不同，我们先放了一条 HumanMessage("你好？")。

这样图执行完之后，messages 里会有两条消息：

• 一条是初始输入的用户消息
• 一条是节点新追加的 AI 消息

这也更容易看出 LangGraph 里的消息是怎么在状态里流转的。

6. pretty_print() 打印消息

除了直接 print(result)，代码里还加了这段：

for message in result["messages"]:
    message.pretty_print()

它的作用很简单：把消息一条条打印出来，终端里更容易看清是谁说的话。

7. draw_mermaid_png() 导出结构图

这一步会把图结构渲染成 PNG，并保存为当前目录下的 graph.png 。

最终输出

程序执行后，结果如下：

{'messages': [HumanMessage(content='你好？', additional_kwargs={}, response_metadata={}), AIMessage(content='你好，我是一个节点', additional_kwargs={}, response_metadata={}, tool_calls=[], invalid_tool_calls=[])], 'extra_field': 1}
================================ Human Message =================================

你好？
================================== Ai Message ==================================

你好，我是一个节点

这个输出可以分成两部分理解：

1. 第一行是整个图执行后的最终 state
2. 后面的内容是 pretty_print() 打印出的消息明细

从结果里可以清楚看到：

• 用户先输入了"你好？"
• 节点返回了一条 AI 消息"你好，我是一个节点"
• extra_field 也被更新成了 1

总结

这个最小示例已经把 LangGraph 的核心流程跑通了：

• 定义状态
• 传入初始消息
• 创建节点
• 组装图
• 执行图
• 打印消息结果
• 导出流程图

如果你刚开始学 LangGraph，建议先把这个最小闭环跑通，再继续扩展到这些方向：

• 多节点串联
• 条件分支
• 循环执行
• 更复杂的消息状态管理

先把一个节点、一个 state、一次执行理解透，后面再看复杂图结构会轻松很多。