LangGraph 入门实战(10)--时光回溯

LangGraph 状态回显：查询、回放与分叉

LangGraph 的检查点（Checkpointer）会保存图在每一步执行后的状态。借助它，我们可以查询最新状态、查看历史快照，还可以从某个历史节点重新执行并创建分支。

本文中的 baidu、google 和 safari 是模拟工具，只返回固定文本，不会真正访问搜索引擎。

1. 安装与配置

bash 复制代码

pip install -U langgraph langchain-deepseek
export DEEPSEEK_API_KEY="你的 API Key"
python index.py

2. 构建带状态的工作流

先定义工具并绑定模型。ToolNode 会执行模型生成的工具调用，MessagesState 则负责累积消息。

python 复制代码

from langchain_core.tools import tool
from langchain_deepseek import ChatDeepSeek
from langgraph.graph import END, START, MessagesState, StateGraph
from langgraph.prebuilt import ToolNode


@tool
def baidu(name: str):
    """使用百度搜索"""
    return f"{name} 搜索百度"


@tool
def safari(name: str):
    """使用 Safari 浏览器"""
    return f"{name} 使用Safari浏览器"


tools = [baidu, safari]
tool_node = ToolNode(tools)
model = ChatDeepSeek(model="deepseek-v4-flash", temperature=0).bind_tools(
    tools, parallel_tool_calls=False
)


def call_model(state):
    return {"messages": [model.invoke(state["messages"])]}


def should_continue(state):
    if state["messages"][-1].tool_calls:
        return "continue"
    return "end"


builder = StateGraph(MessagesState)
builder.add_node("call_model", call_model)
builder.add_node("tool_node", tool_node)
builder.add_edge(START, "call_model")
builder.add_conditional_edges(
    "call_model",
    should_continue,
    {"continue": "tool_node", "end": END},
)
builder.add_edge("tool_node", "call_model")

执行路径如下：

text 复制代码

START -> call_model -> tool_node -> call_model -> END

3. 保存并回显状态

编译图时传入 MemorySaver，再通过 thread_id 标识一条独立会话。同一个 thread_id 会继续使用此前保存的状态。

python 复制代码

from langchain_core.messages import HumanMessage
from langchain_core.runnables.config import RunnableConfig
from langgraph.checkpoint.memory import MemorySaver

graph = builder.compile(checkpointer=MemorySaver())
config = RunnableConfig(configurable={"thread_id": "1"})

for chunk in graph.stream(
    {"messages": [HumanMessage(content="搜索中国的首都是哪里？")]},
    config=config,
    stream_mode="values",
):
    chunk["messages"][-1].pretty_print()

# 最新状态
current_state = graph.get_state(config)
print(current_state.values["messages"])

# 历史快照，顺序为从新到旧
history = list(graph.get_state_history(config))
for snapshot in history:
    print(snapshot.next, snapshot.values)

一次运行的关键输出如下（消息 ID 和快照元数据已省略）：

text 复制代码

Human Message
搜索中国的首都是哪里？

Ai Message
Tool Calls:
  baidu
  Args: {"name": "中国的首都是哪里？"}

Tool Message
中国的首都是哪里？ 搜索百度

Ai Message
中国的首都是北京。

# 历史快照中的待执行节点
()
('call_model',)
('tool_node',)

其中，get_state() 返回线程的最新快照，get_state_history() 返回该线程的全部历史快照。快照中的 next 表示下一步将执行的节点，空元组表示流程已经结束。

4. 从历史状态创建分支

选择模型刚产生工具调用的历史快照，将工具从 baidu 改为 safari，再从该检查点继续执行：

python 复制代码

from copy import deepcopy

replay = history[2]
last_message = deepcopy(replay.values["messages"][-1])
last_message.tool_calls[0]["name"] = "safari"

branch_config = graph.update_state(
    replay.config,
    {"messages": [last_message]},
)

# None 表示不添加新输入，直接从新检查点继续执行
for event in graph.stream(None, branch_config):
    print(event)

分支的关键输出：

text 复制代码

Tool Message
中国的首都是哪里？ 使用Safari浏览器

Ai Message
中国的首都是北京。

这里的 update_state() 不会覆盖原执行路径，而是创建一个新的检查点。使用深拷贝修改消息，可以避免意外改变原历史快照。

小结

stream(..., stream_mode="values")：实时查看每一步的完整状态。
get_state(config)：获取当前线程的最新状态。
get_state_history(config)：按从新到旧的顺序读取历史快照。
update_state(snapshot.config, values)：基于历史快照创建分支。

MemorySaver 只适合本地演示，程序退出后数据会丢失；生产环境应换成持久化的检查点实现。