LangGraph是构建复杂AI工作流的神器，其核心三要素为State（状态机）、Node（干活/函数）和Edge（流程控制）。它将复杂流程抽象为可维护的节点，每个节点可引入LLM或工具处理，使工作流清晰可控。作为图形处理引擎，通过compile和invoke执行，state作为共享数据结构在节点间传递更新，适合需要流程控制的应用场景。
前排提示，文末有大模型AGI-CSDN独家资料包哦！
“「 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 。
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
# **State**class MyState(TypedDict): # from typing import TypedDict i: int j: int# Functions on **nodes**def fn1(state: MyState): print(f"Enter fn1: {state['i']}") return {"i": 1}def fn2(state: MyState): i = state["i"] return {"i": i+1}# Conditional **edge** functiondef is_big_enough(state: MyState): if state["i"] > 10: return END else: return "n2"# The Graph! The "Program" !!workflow = StateGraph(MyState)workflow.add_node("n1", fn1)workflow.add_node("n2", fn2)workflow.set_entry_point("n1")workflow.add_edge("n1", "n2")workflow.add_conditional_edges( source="n2", path=is_big_enough)# Compile, and then rungraph = workflow.compile()r = graph.invoke({"i": 1000, "j": 123})print(r) ```这个 graph 的可视化执行过程：  最后输出： ```plaintext {'i': 11, 'j': 123}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。
def fn1(state: MyState): print(f"Enter fn1: {state['i']}") return {"i": 1}def fn2(state: MyState): i = state["i"] return {"i": i+1}- • 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：
workflow.add_node("n1", fn1)workflow.add_node("n2", fn2)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
workflow.set_entry_point("n1")workflow.add_edge("n1", "n2")workflow.add_conditional_edges( source="n2", path=is_big_enough)- •
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）
def is_big_enough(state: MyState): if state["i"] > 10: return END else: return "n2"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：
graph = workflow.compile()r = graph.invoke({"i": 1000, "j": 123})print(r)- • 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
Enter fn1: 1000{'i': 11, 'j': 123}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
class MyState(TypedDict): i: int j: int...def fn2(state: MyState): i = state["i"] return {"i": i+1}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。
读者福利：倘若大家对大模型感兴趣，那么这套大模型学习资料一定对你有用。
针对0基础小白：
如果你是零基础小白，快速入门大模型是可行的。
大模型学习流程较短，学习内容全面，需要理论与实践结合
学习计划和方向能根据资料进行归纳总结
包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
👉AI大模型学习路线汇总👈
大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）
第一阶段：从大模型系统设计入手，讲解大模型的主要方法；
第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
👉大模型实战案例👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
👉大模型视频和PDF合集👈
这里我们能提供零基础学习书籍和视频。作为最快捷也是最有效的方式之一，跟着老师的思路，由浅入深，从理论到实操，其实大模型并不难。
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求：大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能，学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力：大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
