LangGraph智能体设计模式与多智能体开发（人工智能技术丛书）【行情报价价格评测】-京东

王晓华LangGraph开发入门书《LangGraph智能体设计模式与多智能体开发》全文试读~_langgraph智能体设计模式与多智能体开发 pdf 下载-CSDN博客

[7.4.1 目标抽象：从"经验驱动"到"目标驱动"](#7.4.1 目标抽象：从“经验驱动”到“目标驱动”)

[7.4.2 步骤明确：从"模糊愿景"到"清晰蓝图"](#7.4.2 步骤明确：从“模糊愿景”到“清晰蓝图”)

[7.4.3 执行落地：从"静态逻辑"到"动态闭环"](#7.4.3 执行落地：从“静态逻辑”到“动态闭环”)

智能体规划聚焦于以智能体为核心构建个性化成长规划闭环，尤其适用于孩子兴趣成长路径的搭建。该范式依托结构化的步骤拆解逻辑，先基于孩子的兴趣方向（如动漫绘画）生成分阶段的成长规划，再通过LangGraph搭建"规划−执行−重规划−总结"的完整流程：智能体先将模糊的成长需求拆解为可落地的具体步骤，结合TavilySearch工具实时获取兴趣相关的院校信息、学习资源、行业动态等外部数据，逐步骤执行并收集结果，再根据执行反馈动态调整剩余规划步骤，确保每一步都贴合孩子的年龄、认知水平和兴趣特点。

这一范式突破了传统规划的静态局限，既通过智能体的数据分析能力让成长路径更精准，又借助实时搜索补充最新的行业与教育资源，让规划兼具专业性与时效性。内存检查点的设计还支持多轮对话调整，能根据家长补充的孩子情况优化方案，最终生成结构化的成长规划报告，将抽象的兴趣探索转化为可落地的短期、中期、长期目标，为孩子从兴趣萌芽到职业方向锚定搭建起清晰、可执行的路径，充分发挥智能体在个性化规划中的精准支撑作用。

重要提醒：本节有关儿童成长的规划流程，不具备任何指导真实儿童成长的作用！

7.4.1 目标抽象：从"经验驱动"到"目标驱动"

作为智能体规划的核心前置环节，将目标抽象到状态空间是打通需求与执行的关键桥梁。这一过程需把孩子兴趣成长的具象目标，抽象转化为智能体可识别、可计算的状态节点集合------其中既包含"当前状态"，如孩子现有绘画技能等级、已接触的学习资源等量化信息；也涵盖"目标状态"，比如对应兴趣领域的阶段性能力标准、升学或竞赛目标等。

以动漫绘画规划为例，状态空间会清晰界定"掌握基础线稿技巧""完成2幅作品"等中间状态，以及各状态间的转化条件。这种抽象让模糊的成长需求变得结构化，为智能体后续拆解步骤、匹配资源提供精准的决策依据，使规划流程从"经验驱动"转向"目标驱动"。

我们以一个 10 岁四年级、喜欢动漫绘画的少年为例，用"成长过程"的视角，拆解这段代码背后的规划逻辑，就像给这个少年的绘画成长做了一套"结构化的成长地图"，具体可以分为如下这几个阶段。

先看清少年的"成长现状"与"目标方向"

就像我们要先了解这个少年当下的真实情况，再给他制定合理的目标一样，代码里首先做的是"梳理成长状态"：

当前状态：先明确他现在的样子------10 岁四年级，绘画只停留在"基础涂鸦"阶段，没接触过任何系统的绘画课程，这是他的"起点"。
分阶段成长目标：不会一下子定下遥不可及的目标，而是拆成短期、中期、长期：短期1年内能掌握基础线稿，完成 10 幅线稿作品；中期 3 年内学会上色和分镜，做出 3 部短篇动漫作品；长期 8 年内能达到专业原画设计水平，考上动漫专业的特色高中。
成长的"门槛"（转化条件）：还要说清楚从当下到目标需要满足什么条件，比如要先上完基础线稿兴趣班，或者通过市级青少年动漫绘画比赛的初选，这些是从"现在"走到"目标"的关键条件。

拆解成"可落地的成长小任务"

有了现状和目标，接下来要把大目标拆成一个个能落地的小任务（对应代码里的"Step"），每个小任务都有明确的序号（从1开始），而且任务要具体、能执行，还要和前面说的"成长门槛"挂钩：

比如第 1 个任务：先和孩子、家长沟通，把他当前的绘画水平、接触过的资源、认知能力说清楚（量化现状），这个任务对应的就是"明确当前状态"的成长门槛。
再比如第 2 个任务：去查找适合10岁孩子的动漫线稿入门课程（甚至会去搜相关资源），这个任务对应的是"完成基础线稿兴趣班学习"的成长门槛。

这些小任务就像给少年的成长搭了一个个"小台阶"，一步一个脚印地朝着阶段目标走。

整合出"完整的成长规划"

把这些单个的小任务按顺序整理好，就形成了一套完整的成长规划（对应代码里的"Plan"），这套规划不是零散的，而是和前面的"成长状态"紧紧绑定------每一个步骤都围绕着"从当前状态走到阶段目标"展开，确保每一步做的事都能贴近之前定的"成长门槛"，让规划能落地，而不是空喊目标。

跟着规划落地执行，还会记"成长笔记"

规划定好后，就进入执行阶段（对应代码里的"PlanExecute"）：

先记下来孩子最初的想法（比如"我想学好动漫绘画"）。
列好还没做的小任务清单。
执行过程中始终对照最初的"成长状态"，不偏离目标。
做完的任务都会记下来，还要写反馈（比如"第 1 步做完了，发现孩子涂鸦以简笔画为主，对动漫人物轮廓掌握不足"）。
最后还会根据所有执行情况，总结出一份完整的成长规划反馈。

下面示例是根据我们制定的要求所设计的规划智能体的状态空间，目的是将原有的"经验驱动"转向"目标驱动"：

class GrowthState(BaseModel):

"""成长状态空间模型"""

current_state: Dict $str, str$ = Field(

default_factory=dict,

description="孩子当前状态",

example={"绘画技能": "基础涂鸦阶段", "已学资源": "无系统课程", "年龄": "10岁（四年级）"}

)

target_states: List $Dict\[str, str$ ] = Field(

default_factory=list,

description="分阶段目标状态",

example=[

{"阶段": "短期（1年内）", "绘画技能": "掌握基础线稿", "成果": "完成10幅线稿作品"}

]

)

transition_conditions: List $str$ = Field(

default_factory=list,

description="状态间转化条件",

example= $"完成基础线稿兴趣班学习"$

)

class Step(BaseModel):

"""单个成长规划步骤（增加可哈希支持）"""

step: int = Field(description="步骤序号", example=1)

action: str = Field(description="具体执行动作", example="搜索10岁孩子动漫绘画课程")

related_state: str = Field(description="关联的状态转化条件", example="完成基础线稿兴趣班学习")

实现哈希方法，让Step对象可哈希

def hash(self):

return hash((self.step, self.action, self.related_state))

实现相等判断方法（配合哈希）

def eq(self, other):

if not isinstance(other, Step):

return False

return (self.step == other.step and

self.action == other.action and

self.related_state == other.related_state)

class Plan(BaseModel):

"""成长规划完整步骤"""

steps: List $Step$ = Field(default_factory=list, description="成长规划步骤列表")

growth_state: GrowthState = Field(default_factory=GrowthState, description="成长状态空间")

可以看到，通过对状态空间的定义，我们抽象出"成长状态−步骤执行−规划落地"的三层结构化模型，并层层递进地实现了从具象需求到智能体可计算状态的转化。

具体来看，GrowthState类作为整个状态空间的核心底层模型，率先将孩子成长的模糊状态拆解为三个可量化、可计算的核心维度：

current_state 锚定孩子当下的客观基础，把绘画技能、已接触资源、年龄等抽象信息转化为结构化的键值对，让智能体精准感知起点。
target_states 按短期、中期、长期的时间维度拆分成长目标，将"学好动漫绘画"这类模糊诉求，转化为"掌握基础线稿""完成短篇作品"等可验证的阶段性节点。
transition_conditions 则明确了状态跃迁的核心门槛，成为连接当前状态与目标状态的桥梁，三者共同构成智能体规划的"决策坐标系"。

在此基础上，Step类作为状态转化的最小执行单元，实现了从"状态目标"到"落地动作"的第一层递进：

通过related_state 字段将具体执行动作与状态转化条件强绑定，确保每一步操作都有明确的状态目标导向，避免规划步骤脱离核心成长需求。
而 action 字段进一步细化执行路径，明确是否需要调用外部搜索工具补充资源，让步骤既贴合状态转化需求，又具备可落地的操作细节。

Plan类则完成了第二层递进，将分散的Step 整合为完整规划方案，并通过growth_state字段与底层状态空间深度绑定，使整个规划方案不再是孤立步骤的简单罗列，而是围绕状态空间核心逻辑展开的、服务于状态跃迁的完整链路，实现"规划步骤−状态转化−成长目标"的闭环关联。

最外层的PlanExecute类作为LangGraph的全流程共享状态载体，完成了最后一层递进：它整合了用户原始输入、待执行规划、已完成步骤、状态空间及最终总结结果等全流程数据，成为智能体规划的"数据中枢"。

其中past_steps 字段通过add_messages算子实现已执行步骤记录的累加，既保证了状态更新的连续性，也为后续重规划环节提供了完整的执行反馈，而 growth_state 字段则贯穿全流程，让智能体在规划、执行、重规划的每一个环节都能锚定状态空间的核心目标，动态调整规划内容。

这套层层递进的设计，让智能体规划从依赖经验的静态方案，升级为以状态空间为核心、基于执行反馈动态优化的目标驱动型流程，最终实现成长规划的精准化与动态化。

7.4.2 步骤明确：从"模糊愿景"到"清晰蓝图"

下面就是我们需要将使用智能体对执行过程进行定义，对于具体的执行过程，我们则需要要将孩子兴趣成长的模糊愿景转化为可落地、可验证的执行路径，核心是通过智能体对整个执行过程进行系统化定义与管控。对于具体的执行过程，我们需依托"状态空间抽象−步骤拆解执行−动态迭代重规划"的三层逻辑，让抽象的成长需求转化为结构化、可落地的行动方案，具体拆解为以下核心环节：

智能体首先接收用户关于孩子兴趣成长的原始需求（如"10 岁孩子想学好动漫绘画"），不再停留在"想学好" 这类模糊表述，而是按照 "当前状态−分阶段目标状态−状态转化条件"的逻辑，完成成长状态空间的抽象：先明确孩子当下的能力基线（如 10 岁四年级、绘画仅达基础涂鸦阶段、无系统课程），再拆解出短期/中期/长期的量化成长目标，同时梳理出从当前状态到目标状态需满足的核心条件（如完成基础线稿兴趣班学习）。这一步是整个执行过程的"底层框架"，让模糊的成长愿景有了可量化、可锚定的核心方向。

第一步：规划智能体------基于状态空间拆解 "可落地的执行步骤"

在完成状态空间抽象后，规划智能体以"状态转化条件"为核心，将成长目标拆解为有序、具体的单个执行步骤：每个步骤均标注序号（从 1 开始递增）、明确具体动作（含是否需调用外部搜索工具，且搜索动作需标注精准关键词，如"10 岁孩子动漫线稿入门课程"），并绑定对应的状态转化条件，最终整合为完整的成长规划蓝图。

例如，针对"完成基础线稿兴趣班学习" 这一转化条件，拆解出"调用搜索工具查找适配课程"的具体步骤，让抽象的"学好线稿"目标转化为可直接执行的动作，实现从"模糊愿景"到"清晰步骤"的落地。

class PlanExecute(BaseModel):

"""LangGraph共享状态结构"""

input: str

plan: List $Step$ = Field(default_factory=list)

growth_state: GrowthState = Field(default_factory=GrowthState)

使用自定义累加函数，替代add_messages

past_steps: Annotated $List\[Tuple\[Step, str$ ], add_past_steps] = Field(default_factory=list)

response: str = Field(default="")

--------------------------- 节点函数 ---------------------------

def plan_step(state: PlanExecute):

"""生成初始成长规划"""

try:

简化提示词，减少模型输出长度

simple_prompt = PromptTemplate.from_template("""

根据用户需求生成成长规划，输出简洁的JSON格式：

{input}

输出格式（必须严格遵循，仅返回JSON，无其他内容）：

{{

"steps": [

{{"step": 1, "action": "评估10岁孩子动漫绘画基础水平", "related_state": "明确当前状态"}},

{{"step": 2, "action": "搜索10岁孩子动漫线稿入门课程", "related_state": "完成基础线稿兴趣班学习"}},

"growth_state": {{

"current_state": {{"绘画技能": "基础涂鸦阶段", "年龄": "10岁（四年级）"}},

"target_states": ${{"阶段": "短期（1年内）", "绘画技能": "掌握基础线稿"}}$ ,

"transition_conditions": $"完成基础线稿兴趣班学习"$

}}

""".strip())

确保获取纯字符串响应

prompt_text = simple_prompt.format(input=state.input)

llm_response = bigmodel.llm.invoke(prompt_text)

兼容不同LLM返回格式

response_text = llm_response.content if hasattr(llm_response, 'content') else str(llm_response)

提取JSON

plan_data = extract_json_from_response(response_text)

验证并创建Plan对象

plan_result = Plan(**plan_data)

return {

"plan": plan_result.steps,

"growth_state": plan_result.growth_state

}

except Exception as e:

print(f"plan_step错误: {e}")

返回默认计划

default_plan = Plan(

steps=[

Step(step=1, action="评估孩子当前动漫绘画水平", related_state="明确当前状态"),

Step(step=2, action="搜索10岁孩子动漫线稿入门课程", related_state="完成基础线稿兴趣班学习"),

Step(step=3, action="制定每周绘画练习计划", related_state="掌握基础线稿")

growth_state=GrowthState(

current_state={"绘画技能": "基础涂鸦阶段", "年龄": "10岁（四年级）"},

target_states= ${"阶段": "短期（1年内）", "绘画技能": "掌握基础线稿"}$ ,

transition_conditions= $"完成基础线稿兴趣班学习"$

)

return {

"plan": default_plan.steps,

"growth_state": default_plan.growth_state

}

第二步：执行智能体------单步骤精准落地，锚定状态转化目标

执行智能体聚焦规划中的单个步骤，确保每一步执行都贴合成长状态空间的核心诉求：首先确认该步骤关联的状态转化条件，判断执行方向是否能推动孩子从当前状态向目标状态转化；若步骤需外部资源支撑（含"搜索"关键词），则调用指定工具（如 search_web4query）获取院校、课程、行业动态等精准信息；若无需工具，则直接输出贴合孩子年龄与认知水平的执行建议，并明确该步骤对状态转化的具体推动作用（如"完成当前步骤可明确孩子绘画基线，为后续线稿学习打基础"），避免执行过程的模糊化与偏离。

def execute_step(state: PlanExecute) -> dict:

"""执行规划步骤"""

if not state.plan:

return {"past_steps": \[\]}

current_step = state.plan $0$

执行逻辑（支持工具调用）

if "搜索" in current_step.action:

提取搜索关键词并调用工具

search_query = re.sub(r'搜索|查询|查找', '', current_step.action).strip()

tool_result = executor_tools $0$ .invoke({"query": search_query})

result = f"【工具调用结果】{tool_result}"

else:

result = f"【步骤执行完成】{current_step.action}（推动状态转化：{current_step.related_state}）"

return {"past_steps": $(current_step, result)$ }

第三步：重规划智能体------动态迭代，让蓝图适配真实成长节奏

单步骤执行完成后，重规划智能体将结合已执行步骤的结果，反向校验是否满足对应状态转化条件：若已完成全部转化条件，则清空待执行步骤列表，标志规划完成；若仍有未满足的条件，则删除已执行步骤，保留或补充适配的剩余步骤。这一环节避免了"一刀切"的静态规划，让成长蓝图能根据孩子的实际执行反馈动态调整，确保执行过程始终贴合孩子的真实成长节奏。

def replan_step(state: PlanExecute) -> dict:

"""重新规划（删除已执行步骤）"""

remaining_steps = state.plan $1:$ if len(state.plan) > 1 else \[\]

return {"plan": remaining_steps}

第4步：流程判断 + 总结智能体------闭环收尾，生成可落地的成长规划报告

整个执行流程并非无限制推进，而是通过核心判断逻辑实现精准闭环：系统会实时校验待执行步骤列表（plan）的状态，若列表为空（即所有状态转化条件已满足、规划步骤全部执行完毕），则触发"结束规划流程"的判断，转向总结环节；若仍有未执行的步骤，则返回执行环节继续推进，确保每一步动作都围绕状态转化目标展开，不偏离核心方向。

def should_end(state: PlanExecute) -> Literal $"summary_node", "executor"$ :

"""判断是否结束流程"""

return "summary_node" if len(state.plan) == 0 else "executor"

def summary_step(state: PlanExecute) -> dict:

"""生成总结报告"""

格式化已执行步骤

executed_steps = "\n".join([

f"{idx + 1}. {step.action} → {result}"

for idx, (step, result) in enumerate(state.past_steps)

])

summary = f"""

孩子动漫绘画成长规划报告

========================================

📋 原始需求：

{state.input}

📊 成长状态分析：

• 当前状态：{json.dumps(state.growth_state.current_state, ensure_ascii=False, indent=2)}

• 目标状态：{json.dumps(state.growth_state.target_states, ensure_ascii=False, indent=2)}

• 转化条件：{', '.join(state.growth_state.transition_conditions)}

✅ 已执行步骤：

{executed_steps}

💡 核心建议：

优先选择适配10岁孩子认知水平的动漫线稿入门课程，避免难度过高
每周安排2-3次绘画练习，每次30分钟左右，注重基础线条训练
完成基础线稿学习后，可尝试参加市级青少年动漫绘画比赛
长期可关注动漫专业特色高中的招生要求，提前规划学习路径

"""

return {"response": summary}

可以看到总结智能体作为整个流程的最终闭环环节，核心职责是将碎片化的执行过程沉淀为系统化、易理解的成长规划报告：它会整合成长状态空间（当前状态、目标状态、转化条件）和全量已执行步骤的结果，按照"状态空间分析→分阶段规划→资源推荐→执行建议"的结构化逻辑生成报告；语言风格兼顾家长的理解需求和孩子的接受度，亲切易懂，而非技术化的生硬表述。

针对 10 岁动漫绘画爱好者的规划，总结报告不仅会清晰呈现"基础涂鸦→掌握线稿→学会上色分镜"的状态转化路径，还会整合执行过程中搜索到的适配课程、比赛信息等资源，给出"每周练习 1-2 次线稿，每次 30 分钟" 这类贴合孩子认知水平的执行建议，让原本抽象的成长愿景，最终落地为一份家长和孩子都能看懂、能用的完整规划报告，真正完成从"模糊愿景"到"清晰蓝图"再到"闭环总结"的全流程落地。

7.4.3 执行落地：从"静态逻辑"到"动态闭环"

前面我们打通了"目标抽象（从经验驱动到目标驱动）"与"步骤明确（从模糊愿景到清晰蓝图）"的核心逻辑，我们通过状态图（StateGraph）将分层的规划逻辑落地为可运行、可迭代、可闭环的智能体工作流，让抽象的成长规划逻辑转化为能接收需求、动态执行、输出结果的完整体系。以下是规划与执行智能体的代码实现及核心执行逻辑拆解：

构建状态图

graph_builder = StateGraph(PlanExecute)

graph_builder.add_node("plan_node", plan_step)

graph_builder.add_node("executor", execute_step)

graph_builder.add_node("replan_node", replan_step)

graph_builder.add_node("summary_node", summary_step)

设置节点关系

graph_builder.set_entry_point("plan_node")

graph_builder.add_edge("plan_node", "executor")

graph_builder.add_edge("executor", "replan_node")

graph_builder.add_conditional_edges(

"replan_node",

should_end,

{"summary_node": "summary_node", "executor": "executor"}

)

graph_builder.add_edge("summary_node", END)

编译工作流（启用内存检查点）

memory = InMemorySaver()

graph = graph_builder.compile(checkpointer=memory)

测试运行

if name == 'main':

config = {"configurable": {"thread_id": "child_growth_plan_001"}}

测试任务

simple_task = "10岁孩子喜欢动漫绘画，如何从基础开始学习？"

print("开始生成孩子动漫绘画成长规划...\n")

try:

执行工作流

result = graph.invoke({"input": simple_task}, config=config)

输出结果

print("=" * 60)

print("孩子兴趣成长规划报告：")

print("=" * 60)

print(result $"response"$ )

except Exception as e:

print(f"执行过程中出现错误: {e}")

import traceback

traceback.print_exc()

整个工作流以PlanExecute类为数据中枢，整合了用户原始输入、待执行步骤、成长状态空间、已完成步骤及执行结果、最终响应等核心信息，确保"规划−执行−重规划−总结"各节点间的数据流转统一、可追溯，是动态执行的基础。

下面是一个示例输出结果，读者可以参考：