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：

流程控制难：if/else、循环、回退、重试、并行、分支越来越多
状态管理难：上下文要共享、要可追踪、要可持久化
可观测性差：某一步为什么这么走？中间状态是什么？能不能回放？

LangGraph 给出的方案是：

用 Graph（图） 显式描述流程（控制流）
用 State（状态） 显式描述共享数据（数据流）

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）

State 是一个 共享的“单一事实源”：所有节点读它、写它
在 LangGraph 中你通常用 TypedDict/dataclass/Pydantic 来定义 State schema
状态更新不是“直接改对象”，而是 节点返回一个 dict 作为“更新”，由框架合并进 State

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”。

普通边：固定跳转
条件边（conditional edges）：根据 state 决定下一步路由（这是 Agent 系统里非常关键的能力）

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）

START：图的入口
END：图的终点

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

编译图时可以配置 checkpointer，它会在每个 super-step 保存一次 state checkpoint
这些 checkpoints 会落到一个 thread（线程 id）上
调用时需要在 config 里提供 thread_id（否则无法持久化/恢复）

2. 能力带来的收益

有了 checkpoints/threads，你就自然拥有：

恢复 / 断点续跑
回放 replay
查看历史 state
人类介入（Human-in-the-loop）
更强容错
这些在官方 persistence 页里是明确强调的。

---

Multi-Agent 在 LangGraph 里怎么落地？

LangChain 官方博客对 multi-agent 的表述为：

每个 agent（或 worker）可以是一个节点
agent 之间的连接关系就是边
关键考虑：有哪些独立 agent？它们怎么连接？

常见的两种图结构是：

流水线（pipeline）：Coordinator → WorkerA → WorkerB → END
路由（router）：Coordinator 根据 state 条件分派给不同 worker（conditional edges）

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：