AI创想

标题: 【LangGraph】一.LangGraph 到底是什么 [打印本页]

作者: 创想小编 时间: 3 小时前
标题: 【LangGraph】一.LangGraph 到底是什么
作者：hrhcode
目录
核心思想
从 LangChain 的局限说起
LangGraph 的解决方案
四个核心概念
1. State（状态）
2. Node（节点）
3. Edge（边）
4. Graph（图）
实际例子：带循环的检索
LangGraph vs LangChain
运行机制
为什么用图结构
总结

核心思想

LangGraph 是一个用图结构来编排 Agent 执行的框架。
为什么需要图结构？因为传统的 Agent 执行流程是黑盒——模型自己决定先做什么、后做什么。当你需要精确控制流程时（比如"先检索文档，如果不够就再检索一次，然后生成答案"），黑盒就不够用了。
LangGraph 把 Agent 拆分成节点（Node）和边（Edge），让你可以像画流程图一样设计 Agent 的执行逻辑。
从 LangChain 的局限说起

LangChain 的 Agent 工作方式是：
while True: # 1. 调用模型 response = model.invoke(messages) # 2. 模型决定是否调用工具 if response.tool_calls: tool_result = execute_tool(response.tool_calls[0]) messages.append(tool_result) else: # 3. 模型说结束就结束 break这个模型的问题在于：流程完全由模型控制。
你想实现这样的逻辑：

先检索文档
如果检索结果少于 3 篇，换个关键词再检索一次
然后生成答案
最后检查答案质量，如果不好就重新生成

这在 LangChain 里很难实现，因为你没法在流程中设置明确的检查点和分支逻辑。
LangGraph 的解决方案

LangGraph 让你显式定义流程：
START → 检索节点 → 判断节点 → 生成节点 → END ↑ │ └──────────┘每个方框是一个节点（Node），箭头是边（Edge）。节点执行具体操作，边决定执行顺序。
四个核心概念

1. State（状态）

State 是整个图共享的数据容器。所有节点都能读取和修改 State。
from typing import TypedDictclass State(TypedDict): question: str # 用户问题 documents: list # 检索到的文档 answer: str # 生成的答案为什么需要 State？
因为节点之间需要传递数据。检索节点检索到的文档，需要传递给生成节点使用。State 就是这个数据传递的媒介。
设计原则：

只放跨节点共享的数据
字段名要清晰表达含义
不要放临时变量（临时变量应该在节点内部处理）

2. Node（节点）

节点就是一个 Python 函数，接收当前 State，返回 State 的更新。
def retrieve_node(state: State) -> dict: # 从 State 读取问题 question = state["question"] # 执行检索 docs = search_database(question) # 返回更新（只返回变化的字段） return {"documents": docs}关键点：

节点函数接收完整的 State
返回的是 State 的更新（dict），不是完整 State
LangGraph 会自动合并多个节点的更新

3. Edge（边）

边决定节点的执行顺序。有两种类型：
普通边： 固定跳转到下一个节点
graph.add_edge("retrieve_node", "generate_node")条件边： 根据条件选择下一个节点
def should_continue(state: State) -> str: # 根据文档数量决定 if len(state["documents"]) < 3: return "retrieve_again" # 再去检索 else: return "generate" # 直接生成graph.add_conditional_edges( "retrieve_node", # 从哪个节点 should_continue, # 条件函数 { "retrieve_again": "retrieve_node", "generate": "generate_node", })4. Graph（图）

图就是节点和边的集合。定义好图之后，编译成可执行的应用。
from langgraph.graph import StateGraph, START, END# 1. 创建图graph = StateGraph(State)# 2. 添加节点graph.add_node("retrieve", retrieve_node)graph.add_node("generate", generate_node)# 3. 设置入口graph.set_entry_point("retrieve")# 4. 添加边graph.add_edge("retrieve", "generate")graph.add_edge("generate", END)# 5. 编译app = graph.compile()# 6. 执行result = app.invoke({"question": "什么是 LangGraph？"})实际例子：带循环的检索

假设我们要实现：检索文档，如果不够就再检索一次。
from typing import TypedDictfrom langgraph.graph import StateGraph, START, ENDclass State(TypedDict): question: str documents: list attempts: int # 检索次数def retrieve(state: State) -> dict: """检索文档""" docs = search(state["question"]) return { "documents": docs, "attempts": state.get("attempts", 0) + 1 }def check_docs(state: State) -> str: """检查文档是否足够""" if len(state["documents"]) < 3 and state["attempts"] < 2: return "need_more" else: return "enough"def generate(state: State) -> dict: """生成答案""" answer = llm.generate(state["documents"]) return {"answer": answer}# 组装图graph = StateGraph(State)graph.add_node("retrieve", retrieve)graph.add_node("generate", generate)graph.set_entry_point("retrieve")graph.add_conditional_edges( "retrieve", check_docs, { "need_more": "retrieve", # 循环 "enough": "generate", })graph.add_edge("generate", END)app = graph.compile()result = app.invoke({"question": "什么是 LangGraph？"})执行流程：

从 retrieve 节点开始，检索文档
执行 check_docs，如果文档少于 3 篇且检索次数少于 2 次，回到 retrieve
否则执行 generate 生成答案
结束

LangGraph vs LangChain

需求	LangChain	LangGraph
简单问答机器人	适合	不太适合
快速原型验证	适合	配置稍多
复杂的流程控制	困难	原生支持
需要人工审批	需要自己实现	内置支持
多 Agent 协作	困难	轻松表达
状态持久化	需要自己实现	内置支持

选择建议：
如果你的应用只是简单的"用户提问 → Agent 回答"，用 LangChain 就够了。
如果你需要：

精确控制执行流程（分支、循环、并行）
在关键节点暂停等待人工审批
多个 Agent 协作完成复杂任务
保存和恢复执行状态

那么 LangGraph 更合适。
运行机制

LangGraph 的执行分为两个阶段：
阶段 1：定义图结构

定义 State（数据结构）
定义 Node（执行逻辑）
定义 Edge（流程控制）

阶段 2：编译执行

compile() 把图编译成可执行的应用
invoke() 执行应用

编译的时候，LangGraph 会：

验证图结构是否完整（没有孤立节点）
优化执行计划
配置运行时参数（如 Checkpointer）

为什么用图结构

图结构有几个关键优势：
1. 可视化
图可以画出来，方便理解和调试。
START → A → B → C → END ↑ │ └────┘一看就知道：执行完 B 到 C，C 可能回到 B 形成循环。
2. 并发执行
如果节点之间没有依赖关系，可以并行执行。
┌→ A ─┐START ─┼→ B ─┼→ END └→ C ─┘A、B、C 可以同时执行，最后汇总结果。
3. 状态管理
State 在节点之间传递和更新，天然支持状态追踪和持久化。
4. 流程控制
分支、循环、并行都是图的基本操作，不需要额外实现。
总结

LangGraph 的核心价值：把 Agent 的执行流程从黑盒变成明盒。

State：数据容器，节点之间传递信息
Node：执行单元，处理具体逻辑
Edge：流程控制，决定执行顺序
Graph：完整应用，编译后执行

原文地址：https://blog.csdn.net/hrh1234h/article/details/160633865

欢迎光临 AI创想 (https://llms-ai.com/)