LangGraph 是什么？一文秒懂且通俗易懂！

作者：CSDN博客

“「 嘿兄弟，我好想交女朋友但都交不到，怎么办？ 」”

身为 AI 工程师，为了帮他，当然是画个流程图啊！

交女朋友要分步骤，每个步骤都有单一目的。 如果失败也没关系，流程上我们退回去反省一下，再接再厉

「… 这 TM？ 一点都不实际 ”

有道理，一定是因为没有用 LangGraph 的关系！
用了 LangGraph 一切都实际了起来!

用 LangGraph 把每个步骤都接上 LLM 或者是 Tool（搜索）， 要流程有流程，要行动有行动 ，这就是交友 agent 。
最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的大模型，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？
与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，整体AI领域2025年预计缺口1000万人，其中算法、工程应用类人才需求最为紧迫！
学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。【点击蓝字获取】
【2025最新】AI大模型全套学习籽料（可白嫖）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！
为什么要 LangGraph？

当你的产品需要一些流程、步骤，用 LangGraph 搭配 LangChain

• 能够实现 workflow / Agent 搭建• 轻易把 LLM 引入每个步骤当中• 把流程抽象出来，好维护。 把每一个复杂的步骤封装起来。

可是，LangGraph 怎么做到呢？ 有三个要素！
LangGraph 是什么？

LangGraph 三要素：

• State： 状态机，如同变量表• Node： 干活 / 函数• Edge：流程控制

太抽象？ 给个简单例子

1. # **State**
2. class MyState(TypedDict):  # from typing import TypedDict
3.     i: int
4.     j: int
6. # Functions on **nodes**
7. def fn1(state: MyState):
8.     print(f"Enter fn1: {state['i']}")
9.     return {"i": 1}
11. def fn2(state: MyState):
12.     i = state["i"]
13.     return {"i": i+1}
15. # Conditional **edge** function
16. def is_big_enough(state: MyState):
17.     if state["i"] > 10:
18.         return END
19.     else:
20.         return "n2"
22. # The Graph!  The "Program" !!
23. workflow = StateGraph(MyState)
25. workflow.add_node("n1", fn1)
26. workflow.add_node("n2", fn2)
27. workflow.set_entry_point("n1")
29. workflow.add_edge("n1", "n2")
30. workflow.add_conditional_edges(
31.     source="n2", path=is_big_enough
32. )
34. # Compile, and then run
35. graph = workflow.compile()
36. r = graph.invoke({"i": 1000, "j": 123})
37. print(r)

复制代码

这个 graph 的可视化执行过程：
最后输出：

1. {'i': 11, 'j': 123}

复制代码

跟单纯写 python 程序的不同，LangGraph 能够让每一个「步骤」都很复杂， 引入 LLM 跟工具的处理，把「流程」抽象出来 ，变得干净好维护。
Graph 像是一个子程序

在这个例子 MyState 其实是一个字典，先知道这样，后面有更多解释。
1. Node 节点

fn1 跟 fn2 两个 function，因为他们由 add_node（） 绑在节点上 – 前面说了 Node 就是在干活，可以理解为具体的打工人。
何谓干活？ 通常是「改变 state」，当然也可以是具体的某个事情，比如读取文件、写文件等。

1. def fn1(state: MyState):
2.     print(f"Enter fn1: {state['i']}")
3.     return {"i": 1}
5. def fn2(state: MyState):
6.     i = state["i"]
7.     return {"i": i+1}

复制代码

• 想象 state （状态） 是属于这个 graph 的「变量表」。
• fn1 先打印传入的 state; 回传 {“i”： 1} 代表「不管 state 的 i 以前是多少，现在覆盖掉，变成 1
• 同理，fn2 把 state 的 i 加上 1 以后回传，代表「state 里面的 i 多加 1

• 注意 state[“i”] 是这个 graph 里面的变数，在其他节点的 function 也能存取。

光是定义 function 不够，还要绑到 graph 上，给每个 node 一个名字：

1. workflow.add_node("n1", fn1)
2. workflow.add_node("n2", fn2)

复制代码

2. Edge 边

执行顺序呢？ 这就是 “edge” 控制了：从一个点有方向地连到另一个点

1. workflow.set_entry_point("n1")
2. workflow.add_edge("n1", "n2")
3. workflow.add_conditional_edges(
4.     source="n2", path=is_big_enough
5. )

复制代码

• set_entry_point（） 指定从哪个 node 开始执行
• add_edge（“n1”， “n2”） 表示当 n1 执行完以后，下一步就交给 n2 执行
• 条件判断用 .add_conditional_edges（）实现，等价于程序里的 “if”。它需要至少两个参数

• source 表示起点• path 是一个 function 决定下一步给谁：看他回传的字串代表哪个 node。• 示例代码中 is_big_enough 这个函数，去看 state 变量表里的 i 有没有大于 10，没有的话就回传 “n2”，也就是下一棒再交给自己。 大于 10 的话就结束（ END）

1. def is_big_enough(state: MyState):
2.     if state["i"] > 10:
3.         return END
4.     else:
5.         return "n2"

复制代码

所以整个 Graph 看起来像个子程序！ 把 workflow 当作代码、state 当作变量表，compile 编译成执行文件：

1. graph = workflow.compile()
2. r = graph.invoke({"i": 1000, "j": 123})
3. print(r)

复制代码

• 整个 graph 需要 .compile（） 才是一个能执行的 graph。 而 Compile 之后，后加的 node/edge 不会反映在上面• .invoke（） 是输入初始的 state 去执行; 输出是最后的 state• 虽然所有节点都没碰触 j – 也就是回传的都是 partial state ，但 state 的 schema 是 TypeDict， 里面有定义 j，所以如果初始有给 j 值，也会一直保留，最后的输出会有 j

1. Enter fn1: 1000
2. {'i': 11, 'j': 123}

复制代码

对了，有没有发现： 示例代码完全没 AI 模型 。LangGraph 本质上就是个 “graph processing” engine 而已!
3. State 状态

State 是一个共享的数据结构，在 graph 的节点之间传递和更新，在上面的代码中我们已经看到了，节点函数 fn1、fn2 可以读取 state 并进行修改

1. class MyState(TypedDict):
2.     i: int
3.     j: int
5. ...
6. def fn2(state: MyState):
7.     i = state["i"]
8.     return {"i": i+1}

复制代码

核心特性

State 就像是一个在图中流动的"数据包"，每个节点都可以检查它、修改它，然后传递给下一个节点。这种设计让复杂的 AI 工作流变得清晰可维护。
最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的大模型，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？
与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，整体AI领域2025年预计缺口1000万人，其中算法、工程应用类人才需求最为紧迫！
学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。【点击蓝字获取】
【2025最新】AI大模型全套学习籽料（可白嫖）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！




原文地址：https://blog.csdn.net/javatiange/article/details/156576494