AI创想

标题: LangGraph(流程化控制) [打印本页]

作者: 创想小编    时间: 4 小时前
标题: LangGraph(流程化控制)
作者:CSDN博客
day37 了解 LangGraph(流程化控制)
LangGraph 核心知识点与概念

官方文档
xsun_ai_study
1. LangGraph 解决的核心痛点

单 Agent 进入多 Agent / 复杂工作流会遇到一些问题,比如:
LangGraph 给出的方案是:
运行时以 “super-step” 的方式推进(节点之间消息传递),并支持持久化、回放等能力

核心构成:State / Node / Edge / Compile

1. State(状态)

Reducer(合并策略 / Reducers)
某些 key 可能需要“追加/聚合”,例如 messages 列表、日志列表。
LangGraph 允许为 state channel 定义 reducer,来决定更新怎么合并(类似 append、add 等)。官方 persistence 示例里也展示了 Annotated[list[str], add] 的 reducer 用法。
LangChain Docs
2. Node(节点)

节点本质上就是一个函数(可包含 LLM 调用,也可以只是普通 Python 逻辑)
典型签名形态:
  1. defnode_fn(state: State)->dict:...return{"some_key": some_value}
复制代码
3. Edge(边)

边决定“执行完这个节点后到哪里去”。
4. Compile(编译)

你必须 compile() 才能运行图。编译会做结构校验,并且也是你注入 checkpointer、breakpoints 等运行时能力的入口。
LangChain Docs

START / END 与执行模型(super-step)

LangGraph 受 Pregel 模型启发,以离散的 “super-step” 推进:同一步里可并行跑多个节点,直到所有节点 inactive 且无消息在途则结束。
LangChain Docs
Persistence(持久化)、Threads(线程)与 Checkpointer(检查点)

这是 LangGraph 非常“工程化”的优势点。
1. Checkpoints & Threads

2. 能力带来的收益

有了 checkpoints/threads,你就自然拥有:

Multi-Agent 在 LangGraph 里怎么落地?

LangChain 官方博客对 multi-agent 的表述为:
常见的两种图结构是:
对比langGraph vs java流程平台/有限状态机(FSM)

先给结论(一句话版)
LangGraph 在“流程控制层面”与 Java 生态里的流程平台 / 有限状态机(FSM)高度相似
但它不是传统 FSM,而是:





欢迎光临 AI创想 (https://llms-ai.com/) Powered by Discuz! X3.4