LangGraph入门指南：从零掌握大模型应用的状态管理与流程编排！-开发者社区

简介

文章介绍了LangGraph框架，这是一个专为构建复杂LLM应用设计的低层级编排框架。它通过State(状态)、Node(节点)和Edge(边缘)三个核心组件实现有状态、多步骤、长周期运行的Agent应用。LangGraph提供持久执行、动态控制流和人工介入等特性，支持分支、合并、循环等复杂控制结构，并通过检查点和持久化机制实现容错和恢复，为构建可靠、灵活、可调试的大模型应用提供了强大基础设施。

一、为什么选择 LangGraph：状态管理与流程编排

在大型语言模型（LLM）应用开发中，传统链式调用（Chain）模式存在明显局限。它难以应对复杂、多步骤或需要长期记忆的任务，通常是无状态的，且流程固定，无法根据实时信息进行动态决策。

LangGraph 正是为了解决这些限制而诞生的低层级编排框架和运行时环境。它专注于构建有状态、多步骤、长周期运行的 Agent 应用程序，通过图形化模型来定义 Agent 的复杂行为。

LangGraph 的核心优势在于其提供的底层基础设施，保障了复杂 Agent 工作流的可靠性、灵活性和可调试性。

核心特性

**持久执行 (Durable Execution)：**LangGraph 允许构建能够长时间运行且能容忍失败的 Agent。通过内置的检查点和持久化机制，流程可以在中断后从上次停止的位置恢复。

**动态控制流：**框架能够支持复杂的控制结构，包括分支、合并和循环。这使得开发者可以设计单 Agent、多 Agent 或分层 Agent 等多样化的架构。

**Human-in-the-Loop (人工介入)：**LangGraph 提供了在任何执行点检查和修改 Agent 状态的能力，便于人工监督和调试，提高了复杂系统的可控性。

底层运行机制

LangGraph 的底层运行机制基于消息传递和"超级步骤"（super-steps）的概念，这借鉴了 Google 的 Pregel 系统。这种架构意味着工作流不是一次性执行的，而是分解为离散的步骤，节点之间通过传递状态消息进行通信。

这种分步、可并行的特性是 LangGraph 区别于传统顺序执行框架的关键，因为它天然支持高并发和容错性，为 Agent 的弹性运行奠定了基础。

二、核心三要素：State、Node 和 Edge

LangGraph 将 Agent 工作流精确地建模为一个图结构，其运转依赖于三个核心组件的协作。

State (状态)

状态是 LangGraph 中最核心的元素，它是一个在图中流动的"数据包"，是整个应用程序的共享数据结构，代表了流程在某一时刻的快照。图中所有的节点都会读取这个状态，并可以对其进行更新。

为了确保数据在复杂的、多 Agent 的工作流中保持清晰和一致，LangGraph 强制要求状态必须是强类型定义的，通常使用 Python 的 typing.TypedDict。

Node (节点)

节点是执行具体工作的计算单元，是图中的"工人"。它就是一个 Python 函数或可调用对象。节点接收当前的状态 state 作为输入，执行一些逻辑，然后返回一个字典，这个字典里的内容将被用来更新状态。

它们可以是任意的 Python 函数、异步函数，也可以是 LangChain 的 Runnable 实例，如 LLM 或工具。一个节点接收完整的当前状态作为输入，执行其逻辑（无论是调用 AI 模型还是执行普通代码），然后返回一个包含状态更新的字典。

需要强调的是，节点返回的是**增量更新 (Delta Update)**，而不是整个新的状态。LangGraph 框架负责将这些更新安全地合并到中央状态中。

Edge (边缘)

边缘定义了工作流的流程走向，它们连接了不同的节点。边缘本质上也是函数，其职责是决定当一个节点执行完成后，下一步应该执行哪个节点。边缘主要分为两种类型：

**固定边缘 (Fixed Edges)：**使用 add_edge 定义，用于无条件地从 Node A 转向 Node B，适用于线性流程。

**条件边缘 (Conditional Edges)：**使用 add_conditional_edges 定义，它们是动态控制流的基础。根据当前状态的内容，条件边缘可以决定下一步走向哪个节点，或者直接终止流程。

三、环境准备与 LangGraph 极简入门 (Hello World)

LangGraph 的安装非常简单。只需要安装核心库即可开始：

pip install -U langgraph langchain-core

流程图示意：

实战代码

我们将构建一个最简单的图：它只有一个节点，这个节点会向状态中的 messages 列表添加一条 “Hello, LangGraph!”。

import operatorfrom typing import Annotated, TypedDictfrom langgraph.graph import StateGraph, END# --- 1. 定义状态 (State) ---# 状态是图中流动的数据结构。# 我们使用 TypedDict 来定义。class MyGraphState(TypedDict): # 'messages' 键是一个列表，Annotated[list, operator.add] # 是一个LangGraph的魔法：它告诉图， # 当一个节点返回 'messages' 时，不要覆盖它，而是"添加" (add) 到现有列表中。 messages: Annotated[list, operator.add]# --- 2. 定义节点 (Nodes) ---# 节点是图中的"工人"，它们是接收状态并返回更新的函数。def my_node(state: MyGraphState): print("--- 正在执行 my_node ---") # state 是当前状态的字典 # 我们返回一个字典，其中包含要更新的状态部分 return {"messages": ["Hello, LangGraph!"]}# --- 3. 定义图 (Graph) ---# StateGraph 是我们构建图的入口workflow = StateGraph(MyGraphState)# 添加一个名为 "greet" 的节点，它对应我们上面定义的 my_node 函数workflow.add_node("greet", my_node)# --- 4. 定义图的结构 (Edges) ---# 设置入口点。图将从 "greet" 节点开始执行。workflow.set_entry_point("greet")# 添加一条边。"greet" 节点执行完毕后，流程结束 (END)。workflow.add_edge("greet", END)# --- 5. 编译图 ---# compile() 方法将我们的图定义编译成一个可执行的 "app"app = workflow.compile()# --- 6. 运行图 ---# 我们使用 .invoke() 来运行图。# 必须提供一个初始状态。initial_state = {"messages": []}final_state = app.invoke(initial_state)print("\n--- 最终结果 ---")print(final_state)# --- 预期输出 ---# --- 正在执行 my_node ---## --- 最终结果 ---# {'messages': ['Hello, LangGraph!']}