LangGraph的运行时：编译、执行与持久化（三）

一、编译

StateGraph 只是一张"蓝图"，compile() 会把它变成一个可执行的 Runnable。

复制代码

builder = StateGraph(MyState)
# ... 添加节点和边 ...
graph = builder.compile()   # 编译

编译时 LangGraph 会做几件事：

编译时做的事	说明
校验图结构	检查是否有孤立节点、是否有入口
绑定持久化	如果传了 checkpointer，会绑定到图上
生成执行计划	把节点和边转换成可调度的执行流程
返回 Runnable	编译后的图支持 invoke、stream、batch 等方法

2. 编译参数

复制代码

graph = builder.compile(
    checkpointer=memory,      # 持久化
    store=store,              # 长期记忆
    interrupt_before=["node_a"],  # 在某节点前中断
    interrupt_after=["node_b"],   # 在某节点后中断
)

二、执行：四种调用方式

编译后的图是一个 Runnable，支持标准调用方法。

方法	用途	是否阻塞
`invoke`	执行一次，返回最终 State	阻塞
`stream`	流式执行，逐个输出	非阻塞迭代
`batch`	批量执行多个输入	阻塞
`ainvoke` / `astream`	异步版本	异步

1. invoke：最简单的执行

复制代码

result = graph.invoke({"messages": [], "count": 0})
print(result)

2. stream：流式执行（推荐）

stream 可以实时看到每个节点的输出，而不是等全部跑完。

复制代码

for chunk in graph.stream({"messages": []}):
    print(chunk)

stream_mode 决定了输出的粒度：

stream_mode	输出内容
`"values"`	每个节点执行后的完整 State
`"updates"`	每个节点返回的更新字典
`"messages"`	LLM 生成的 token 流
`"custom"`	节点内通过 `writer` 自定义的输出

复制代码

# 只看每个节点的更新
for chunk in graph.stream(input, stream_mode="updates"):
    print(chunk)
    # 输出：{'node_a': {'count': 1}}

3. batch：批量执行

复制代码

results = graph.batch([
    {"messages": [], "count": 0},
    {"messages": [], "count": 100}
])

4. 执行时的 config

复制代码

config = {
    "configurable": {
        "thread_id": "user_123"   # 会话 ID
    },
    "recursion_limit": 25          # 最大迭代次数
}
result = graph.invoke(input, config)

三、持久化：Checkpointer

没有持久化时，每次调用都是独立的，图不记得上次说了什么。Checkpointer 让图能记住历史，实现多轮对话。

使用方式

复制代码

from langgraph.checkpoint.memory import MemorySaver

memory = MemorySaver()
graph = builder.compile(checkpointer=memory)

# 第一次调用
config = {"configurable": {"thread_id": "user_1"}}
graph.invoke({"messages": ["你好"]}, config)

# 第二次调用（自动恢复上下文）
graph.invoke({"messages": ["继续"]}, config)

常用 Checkpointer

Checkpointer	存储位置	适用场景
`MemorySaver`	内存	开发测试
`SqliteSaver`	SQLite 文件	本地生产
`PostgresSaver`	PostgreSQL	生产环境
`RedisSaver`	Redis	高并发

查看历史状态

复制代码

# 获取当前状态
state = graph.get_state(config)

# 获取历史状态列表
history = list(graph.get_state_history(config))

四、长期记忆：Store

1. Checkpointer vs Store

特性	Checkpointer	Store
作用范围	单个会话（thread_id）	跨会话
存储内容	图的完整状态	键值对数据
典型用途	多轮对话	用户偏好、长期知识

2. 使用方式

复制代码

from langgraph.store.memory import InMemoryStore

store = InMemoryStore()
graph = builder.compile(store=store)

# 在节点中访问 store
def my_node(state, runtime: Runtime):
    # 写入
    runtime.store.put(("users", "user_1"), "preference", {"theme": "dark"})
    # 读取
    pref = runtime.store.get(("users", "user_1"), "preference")
    return {"result": pref}

五、中断与恢复（人机协同）

1. 中断的两种方式

复制代码

# 方式一：编译时指定
graph = builder.compile(
    interrupt_before=["approve_node"],  # 在节点前中断
    interrupt_after=["review_node"]     # 在节点后中断
)

# 方式二：节点内调用 interrupt
from langgraph.types import interrupt

def approve_node(state):
    user_input = interrupt("是否批准？")
    return {"approved": user_input == "yes"}

2. 恢复执行

复制代码

from langgraph.types import Command

# 用 Command 恢复
graph.invoke(Command(resume="yes"), config)

3. 中断流程图

六、示例

复制代码

from typing import TypedDict, Annotated
from operator import add
from langgraph.graph import StateGraph, START, END
from langgraph.checkpoint.memory import MemorySaver

class ChatState(TypedDict):
    messages: Annotated[list, add]

def chatbot(state: ChatState) -> dict:
    # 模拟 LLM 回复
    user_msg = state["messages"][-1]
    return {"messages": [f"回复：{user_msg}"]}

builder = StateGraph(ChatState)
builder.add_node("chatbot", chatbot)
builder.add_edge(START, "chatbot")
builder.add_edge("chatbot", END)

# 编译时绑定 checkpointer
memory = MemorySaver()
graph = builder.compile(checkpointer=memory)

# 多轮对话
config = {"configurable": {"thread_id": "user_1"}}

graph.invoke({"messages": ["你好"]}, config)
graph.invoke({"messages": ["再见"]}, config)

# 查看完整历史
state = graph.get_state(config)
print(state.values["messages"])
# ['你好', '回复：你好', '再见', '回复：再见']