一、今日学习目标
在 Day13 中，我们学习了 LangGraph 基础：
-
State（状态）
-
Node（节点）
-
Edge（边）
-
Graph（工作流）
实现了固定流程：
用户输入
↓
Search Node
↓
Answer Node
↓
返回结果但是实际项目中的 Agent 不会永远按照固定流程执行。
例如：
用户输入：
查询漏洞信息可能需要：
用户
↓
分析问题
↓
查询知识库
↓
生成报告用户输入：
计算风险评分可能需要：
用户
↓
分析问题
↓
调用计算工具
↓
返回结果因此今天继续学习 LangGraph 进阶能力：
-
Conditional Edge（条件分支）
-
Tool Node（工具节点）
-
Loop Agent（循环Agent）
-
Memory持久化
目标：
让 Agent 从固定流程升级为能够根据任务选择执行路径的智能工作流。
二、Conditional Edge（条件边）
1. 为什么需要条件边？
Day13中的流程：
Search Node
↓
Answer Node属于固定流程。
但是实际 Agent 需要根据用户输入判断下一步。
例如：
问题1：
什么是RAG？执行：
查询知识库问题2：
计算1+2执行：
调用计算工具所以需要：
用户问题
↓
判断节点
↓
选择不同路径三、什么是 Conditional Edge？
普通 Edge：
A
↓
B表示：
A执行完成后，一定进入B。
Conditional Edge：
Router
/ \
Tool Search表示：
根据条件选择不同节点。
四、Conditional Edge执行流程
完整流程：
用户输入
↓
Router Node
↓
判断任务类型
↓
┌──────────┐
↓
Tool Node
或者
↓
Search Node
↓
Answer Node其中：
Router负责：
判断应该走哪条路线。
五、项目结构
Day14项目结构：
day14
├── state.py
├── nodes.py
├── router.py
├── tools.py
├── graph.py
└── agent.py模块作用：
| 文件 | 作用 |
|---|---|
| state.py | 定义Agent状态 |
| router.py | 判断执行路线 |
| nodes.py | 定义工作节点 |
| tools.py | 定义工具 |
| graph.py | 创建工作流 |
| agent.py | 启动Agent |
六、State状态设计
state.py
代码：
from typing import TypedDict
class AgentState(TypedDict):
question:str
result:str
route:str相比 Day13：
新增：
route作用：
保存当前 Agent 应该执行的路径。
例如：
route="tool"表示：
进入工具节点。
七、Router节点
router.py
代码：
from state import AgentState
def router_node(state:AgentState):
question = state["question"]
if "计算" in question:
state["route"]="tool"
else:
state["route"]="search"
return state作用：
分析用户问题。
例如：
输入：
计算1+2输出：
route="tool"输入：
什么是RAG？输出：
route="search"八、Tool Node
在之前学习中：
Tool只是普通函数。
例如：
calculator()现在：
将工具加入 LangGraph 工作流。
变成：
Tool Nodetools.py
代码：
def calculator(expression):
result = eval(expression)
return resultTool节点：
def tool_node(state):
result = calculator(
"1+2"
)
state["result"]=result
return state现在：
工具成为 Agent 流程中的一个节点。
九、创建条件工作流
graph.py
核心代码：
workflow.add_conditional_edges(
"router",
lambda state:state["route"],
{
"tool":"tool",
"search":"search"
}
)作用：
根据：
state["route"]决定下一步。
如果：
route="tool"执行：
Tool Node如果：
route="search"执行：
Search Node十、Loop Agent（循环Agent）
真实 Agent 很少一次执行完成。
例如：
代码生成 Agent：
第一次：
生成代码↓
测试：
发现错误↓
修改：
重新生成↓
再次测试。
这就是循环 Agent。
十一、循环Agent流程
普通流程：
A
↓
B
↓
C循环流程：
生成
↓
检查
↓
是否完成？
|
├── 是 →结束
|
└── 否 →重新执行十二、Memory持久化
之前 State：
只存在当前运行。
例如：
程序关闭：
用户信息消失但是实际 Agent：
需要长期保存信息。
例如：
用户学习方向：
{
"interest":"AI Agent",
"level":"beginner"
}下次启动：
Agent仍然知道。
十三、简单Memory实现
创建：
memory.json内容：
{
"interest":"AI Agent",
"level":"beginner"
}读取：
import json
def load_memory():
with open(
"memory.json",
"r",
encoding="utf-8"
) as f:
return json.load(f)十四、Day14 Agent架构
完成后：
用户
↓
Router Node
/ \
Tool Node Search Node
\ /
Answer Node
↓
Memory保存相比 Day13：
增加了：
-
判断能力
-
工具执行
-
状态保存
-
动态流程
十五、今日核心知识总结
1. Conditional Edge
作用：
根据状态选择不同执行路径。
解决：
Agent决策问题。
2. Tool Node
作用：
让工具成为工作流的一部分。
实现：
Agent
↓
调用工具
↓
继续执行3. Loop Agent
作用：
让 Agent 可以：
执行
↓
检查
↓
调整
↓
再次执行。
4. Memory持久化
作用：
让 Agent 拥有长期记忆。
十六、Day14完成标准
完成：
✅ 理解 Conditional Edge
✅ 实现 Router Node
✅ 理解 Tool Node
✅ 理解循环 Agent
✅ 实现简单 Memory 保存
最终实现：
用户输入
↓
Router判断
↓
选择节点
↓
执行任务
↓
保存结果总结
Day14学习的是 LangGraph 从"固定流程"到"智能流程"的升级。
通过：
-
Conditional Edge
-
Tool Node
-
Loop Agent
-
Memory持久化
Agent 已经具备：
判断
↓
选择
↓
执行
↓
保存下一阶段：
Day15：Multi-Agent多智能体系统
学习：
-
Supervisor Agent
-
Worker Agent
-
Agent之间通信
-
多角色协作架构
构建更加接近企业应用的 Agent 系统。