06 langgraph运行三要素State Node Edge

文章目录

  • 1.状态 (State)
    • [1.1 TypedDict字典定义(推荐)](#1.1 TypedDict字典定义(推荐))
    • [1.2 @dataclass定义](#1.2 @dataclass定义)
    • [1.3 Pydantic定义](#1.3 Pydantic定义)
    • [1.4 三种定义状态方法的区别](#1.4 三种定义状态方法的区别)
  • 2.节点(Node)
  • 3.Edge(边)
  • [4. 举例](#4. 举例)
    • [4.1 graph = builder.compile() 实例化](#4.1 graph = builder.compile() 实例化)
    • [4.2 result = graph.invoke({"cur_id":"start"})](#4.2 result = graph.invoke({"cur_id":"start"}))
    • [4.3 绘制可视化流程图](#4.3 绘制可视化流程图)

1.状态 (State)

复制代码
langgraph 运行时共享的数据结构,承载图运行时所需要的上下文信息,是节点之间传递信息的核心载体.

1.1 TypedDict字典定义(推荐)

python 复制代码
# 1 定义状态
class OverAllState(TypedDict):
    # 日志类型还是 list[str]  更新的方式不是覆盖 add 是追加
    logs: Annotated[list[str],add]
    cur_id: str

1.2 @dataclass定义

注意:

1.节点可以返回字典,一般会自动转化为状态类;

2.访问状态属性需要使用".",而不再是\[\]的方式;

python 复制代码
class OverAllState:
    # 日志类型还是 list[str]  更新的方式不是覆盖 add 是追加
    logs: Annotated[list[str],add]
    cur_id: str

1.3 Pydantic定义

python 复制代码
# 1 定义状态
class OverAllState(BaseModel):
    # 日志类型还是 list[str]  更新的方式不是覆盖 add 是追加
    logs: Annotated[list[str],add]
    cur_id: str

1.4 三种定义状态方法的区别

三种写法都能描述同一份状态结构,但在类型校验、默认值、访问方式和运行时行为上差别明显,实际选型时可按下面的对比来取舍。

维度 TypedDict(普通字典) @dataclass Pydantic(BaseModel)
运行时类型校验 无,仅静态类型提示 无,仅静态类型提示 有,实例化时校验并转换类型
访问方式 state["cur_id"] state.cur_id state.cur_id
默认值支持 不支持,需在节点里自行兜底 支持,字段可直接赋默认值 支持,字段可直接赋默认值
嵌套结构 / 复杂校验 弱 一般 强,支持嵌套模型、约束、自定义校验器
序列化 天然是 dict,最省事 需 asdict() 转换 内置 model_dump() / model_validate()
性能开销 最低 低 略高(有校验与转换成本)
与 LangGraph 契合度 官方示例最常用,节点返回 dict 即可 可用,但节点返回 dict 时需注意自动转换 可用,适合状态结构复杂、需要强校验的场景

几点实践建议:

  1. 入门与简单场景优先用 TypedDict :它最贴近 LangGraph 官方示例,节点直接返回 dict,框架按 dict.update() 的方式增量合并,心智负担最小。
  2. 需要默认值或方法时用 @dataclass :字段可以带默认值,也能挂一些辅助方法;但要注意节点返回字典时框架会做自动转换,访问属性要用 . 而不是 []。
  3. 状态复杂、需要强校验时用 Pydantic:比如字段有取值范围约束、嵌套子模型、需要从外部 JSON 反序列化,Pydantic 的校验和序列化能力能省掉大量手写判断。
  4. Reducer 与定义方式无关 :无论用哪种写法,Annotated[list[str], add] 这类 Reducer 都照常生效,决定的是「同名字段如何合并」,而不是「用什么类来定义状态」。

一句话总结:结构简单选 TypedDict,要默认值选 dataclass,要校验和序列化选 Pydantic;三者可以混用,但同一个图里建议保持统一,避免风格割裂。

2.节点(Node)

复制代码
langgraph具体执行单元,通常为一个函数.  执行逻辑,并返回 状态 (State),字典 , 框架拿到这个字典后,会像 Python 的 dict.update() 方法一样,把新数据增量合并到全局状态中。

3.Edge(边)

复制代码
定义节点之间固定的执行顺序,还通过条件边根据当前状态实现动态路由与分支决策;同时,它负责连接 START 和 END 等虚拟节点,构建出完整的执行闭环。 

4. 举例

python 复制代码
from langgraph.graph import StateGraph,START,END
from typing import TypedDict, Annotated
from operator import add


# 1 定义状态
class OverAllState(TypedDict):
    # 日志类型还是 list[str]  更新的方式不是覆盖 add 是追加
    logs: Annotated[list[str],add]
    cur_id: str



# 2 定义节点
def node_1(state:OverAllState) -> OverAllState:
    pre_id = state["cur_id"]
    return {
        "logs": ["node_1 运行完毕"],
        "cur_id": pre_id + ", node_1"
    }

def node_2(state:OverAllState) -> OverAllState:
    pre_id = state["cur_id"]
    return {
        "logs": ["node_2 运行完毕"],
        "cur_id": pre_id + ", node_2"
    }

# 3 定义边
# 3.1 创建图 获取建造者
##创建图,其中state_schema是类型,必须的入参
builder = StateGraph( state_schema=OverAllState)

# 3.2 添加节点
## 组装边
builder.add_node(node_1)
builder.add_node(node_2)
# 3.3 添加边
## 绘制流程
builder.add_edge(START,"node_1")
builder.add_edge("node_1","node_2")
builder.add_edge("node_2",END)

# 4 获取图
## builder校验并实例化
graph = builder.compile()

# 5 运行图
## builder启动/调用
result = graph.invoke({"cur_id":"start"})
print(result)

运行结果:

4.1 graph = builder.compile() 实例化

graph = builder.compile() 的作用将图结构(StateGraph)编译成一个可执行的运行时实例; 在 LangGraph 中,StateGraph 本身只是一个静态的结构定义,它包含了节点、边、状态类型等信息,但还不能直接运行。只有调用 .compile() 方法后,LangGraph 才会:

  1. 校验图的完整性:检查是否有孤立节点、是否定义了入口点(START)、边是否连通等,确保图结构合法。
  2. 注入运行时引擎:将图结构转换为 CompiledStateGraph 对象,这个对象实现了 LangChain 的 Runnable 接口,支持 invoke()、stream()、batch() 等标准调用方式。
  3. 绑定状态管理机制:将 OverAllState 的类型注解、Reducer(如 add)等规则固化到运行时,确保后续每个节点执行时都能正确读写和更新状态。
  4. 可选地集成持久化与断点:你可以在 compile() 时传入 checkpointer 参数,让图具备记忆能力,支持从历史状态恢复或人工干预。

4.2 result = graph.invoke({"cur_id":"start"})

  1. 接收输入: 拿到你传入的 {"cur_id": "start"}。
  2. 结合 Schema: 拿出之前定义的 OverAllState 类(作为蓝图)。
  3. 创建/合并状态:
  • 它会创建一个内部的状态对象 OverAllState。
  • 它会把你传入的 initial_state 填充进去。
  • 对于你没传的字段(比如 logs),如果定义了默认值或 Reducer(如 add),它会进行初始化处理(例如初始化为空列表)。

4.3 绘制可视化流程图

  1. 代码描述
python 复制代码
raw_mermaid = graph.get_graph().draw_mermaid()
print(raw_mermaid)

> 
---
config:
  flowchart:
    curve: linear
---
graph TD;
	__start__([<p>__start__</p>]):::first
	node_1(node_1)
	node_2(node_2)
	__end__([<p>__end__</p>]):::last
	__start__ --> node_1;
	node_1 --> node_2;
	node_2 --> __end__;
	classDef default fill:#f2f0ff,line-height:1.2
	classDef first fill-opacity:0
	classDef last fill:#bfb6fc
  1. 图描述
python 复制代码
from IPython.display import display, Image

png_bytes = graph.get_graph().draw_mermaid_png()
png = Image(png_bytes)
display(png)
相关推荐
M--Y1 天前
LangGraph 架构基石:持久化与运行控制
python·langchain·大模型·llm·持久化·langgraph
M--Y2 天前
LangGraph 工作流模式
开发语言·javascript·python·langchain·大模型·llm·langgraph
承渊政道7 天前
LangChainAI应用开发框架【LangChain与LangGraph介绍】
langchain·大模型·langgraph·ai应用开发
专职14 天前
LangGraph写React的Agent并调用远程MCP工具
langgraph
一只游鱼14 天前
langgraph快速入门 —— 从本地脚本到 HTTP 服务
agent·langgraph
寻道码路14 天前
AI Agent 工程化开发实战(五):持久化与断点恢复——Checkpointer 与 Store
人工智能·大模型·checkpoint·持久化·ai agent·langgraph·ai工程化
一只游鱼16 天前
LangGraph快速入门 —— Agent 是怎么转起来的
人工智能·ai·agent·langgraph
专职16 天前
LangGraph持久化机制和可恢复执行:如何让Agent拥有“不死之身”
langgraph
Maiko Star16 天前
LangGraph 环境配置:Miniconda、PyCharm、依赖安装与环境验证
langgraph