155.Agent-LangGraph-节点级重试策略

**摘要：**本文围绕 LangGraph 的节点级重试策略展开，先说明重试策略要解决的问题------工作流执行中节点异常（如数据库连接失败）会导致流程中断，引入重试后可在异常处理中重新尝试，使流程继续执行。随后介绍 RetryPolicy 类及其 retry_on 参数的作用，说明未设置 retry_on 时会回退到 default_retry_on 的默认异常列表，并通过效果图对比带异常拦截与不带异常拦截的运行差异，指出 runtime.execution_info.node_attempt 可用于实现更细致的重试、降级与熔断。最后给出完整 Python 示例代码，演示为 query_database 节点配置 retry_on、为 model 节点配置 max_attempts 的实践方式。

内容参考于：图灵AI大模型全栈

重试策略它是解决流程中出现的异常，就是说工作流在执行期间如果发生了错误没办法继续往下执行，这时候不可以让它断下来，需要让它正常的结束，重试策略就是为了让工作流正常结束，正常结束比如到了节点c，节点c需要连接数据库，但是由于网络连接的问题导致这一时刻，没有连接到数据库，然后出现连接失败异常，这时候工作流就会因为异常在这直接结束了，没办法继续往下了，加入重试策略后，在捕获的连接失败异常处理中再次连接数据，它可能就可以正常连接，从而就不会因为异常直接结束，而是继续执行后续的工作流节点

下图中 RetryPolicy 是LangGraph提供的节点级别重试策略类，然后下图红框里的 retry_on 是 RetryPolicy 类中的一个参数，这个 retry_on 参数的意思是，当节点报错了要拦截的异常，下方指定了两个异常 sqlite3.OperationalError和sqlite3.IntegrityError

如果RetryPolicy中不设置retry_on参数（就是不在上图红框位置写retry_on参数），那么它会从 default_retry_on 里面获取默认的异常，也就是下方的默认异常

复制代码

ValueError,
TypeError,
ArithmeticError,
ImportError,
LookupError,
NameError,
SyntaxError,
RuntimeError,
ReferenceError,
StopIteration,
StopAsyncIteration,
OSError,

看完上方的文字可能会有点迷迷瞪瞪的，看看下方的效果图就能明白了

首先下图红框抛出了 sqlite3.OperationalError 异常，然后 retry_on 里也设置了需要拦截 sqlite3.OperationalError 异常

如下图红框带异常拦截的运行结果

如下图红框，不带异常拦截的运行结果，节点会直接结束

下图红框 runtime.execution_info.node_attempt 的值是当前节点重试的次数，在LangChain中只有模型重试和节点重试中间件，在LangGraph中可以利用 runtime.execution_info.node_attempt 实现更细致的重试或降级熔断操作

代码

python 复制代码

# 导入 Python 内置 SQLite 数据库模块，用于模拟数据库操作与异常触发场景
import sqlite3
# 导入 LangChain 大模型统一初始化函数，可适配多厂商模型的标准化调用
from langchain.chat_models import init_chat_model
# 从 LangGraph 图模块导入核心基础组件
# END：工作流结束标记常量
# MessagesState：LangGraph 内置状态结构，自带 messages 消息列表，自动管理对话历史
# StateGraph：状态图构建器，用于搭建有向工作流
# START：工作流起始标记常量
from langgraph.graph import END, MessagesState, StateGraph, START
# 导入 LangGraph 重试策略类，用于配置节点失败后的自动重试规则
from langgraph.types import RetryPolicy
# 导入 LangChain 标准消息类型：AI 回复消息、用户输入消息
from langchain.messages import AIMessage, HumanMessage
# 导入 LangGraph 运行时对象，节点内可通过它获取执行次数、上下文、存储等运行时元信息
from langgraph.runtime import Runtime
# 导入环境变量加载工具，用于读取 .env 文件中的 API 密钥等敏感配置
from dotenv import load_dotenv

# 执行环境变量加载，将 .env 文件中的配置注入系统环境
load_dotenv()

# 初始化通义千问大语言模型实例
model = init_chat_model(
    "qwen3.8-max",                          # 指定调用的模型名称：通义千问 qwen3.8-max
    openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",  # 阿里云百炼的 OpenAI 兼容接口地址
    model_provider="openai",                 # 指定按 OpenAI 协议规范调用接口
    extra_body={"thinking": {"type": "disabled"}}  # 关闭模型思考过程输出，保证返回纯文本结果
)


# 定义「数据库查询」节点函数，核心演示失败自动重试机制
# 参数1：state - 工作流全局状态，使用内置 MessagesState 结构，自带 messages 对话列表
# 参数2：runtime - LangGraph 自动注入的运行时对象，可读取当前节点执行次数、会话上下文等信息
def query_database(state: MessagesState, runtime: Runtime):
    # 从运行时信息中获取当前节点的尝试次数，打印当前执行轮次
    print(f"正在尝试第 {runtime.execution_info.node_attempt} 次查询...")
    
    # 模拟数据库连接故障：前 2 次尝试主动抛出异常，触发重试逻辑
    if runtime.execution_info.node_attempt < 3:
        print("模拟数据库连接失败...")
        # 抛出 SQLite 操作异常，该异常在重试策略的白名单中，会触发节点自动重试
        raise sqlite3.OperationalError("Database connection lost")
    
    # 第 3 次尝试执行成功，返回查询结果，消息会自动追加到状态的 messages 列表中
    return {"messages": [AIMessage(content=str("查询成功"))]}


# 定义「大模型对话」节点函数，处理用户消息交互
def call_model(state: MessagesState):
    # 调用大模型，传入当前完整对话历史消息列表，获取模型响应
    response = model.invoke(state["messages"])
    # 将模型响应消息追加到全局状态的 messages 列表中
    return {"messages": [response]}


# ========== 构建工作流图 ==========
# 创建状态图构建器实例，使用内置 MessagesState 作为全局状态规范
builder = StateGraph(MessagesState)

# 添加数据库查询节点，并绑定自定义重试策略
builder.add_node(
    "query_database",    # 节点唯一名称
    query_database,      # 节点对应的处理函数
    # 配置重试策略：指定哪些异常会触发自动重试
    retry_policy=RetryPolicy(
        retry_on=[sqlite3.OperationalError, sqlite3.IntegrityError]  # 遇到这两类数据库异常时自动重试节点
    )
)

# 添加模型调用节点，并配置重试次数限制
builder.add_node(
    "model",             # 节点唯一名称
    call_model,          # 节点对应的处理函数
    # 配置重试策略：设置最大尝试次数（含首次执行）
    retry_policy=RetryPolicy(max_attempts=5)  # 该节点最多执行 5 次，超过则抛出异常终止
)

# 定义工作流的边连接关系（执行顺序）
# 起始边：流程启动后，第一个执行 model 节点
builder.add_edge(START, "model")
# 顺序边：model 节点执行完成后，进入 query_database 节点
builder.add_edge("model", "query_database")
# 结束边：query_database 节点执行完成后，流程终止
builder.add_edge("query_database", END)

# 编译构建好的状态图，生成可执行的工作流实例
graph = builder.compile()


# ========== 测试运行 ==========
# 调用工作流，传入初始用户消息，触发完整执行流程
response = graph.invoke({"messages": [HumanMessage(content="你好呀？")]})
# 打印最终的完整状态结果
print(response)