开发框架教程(4)：LangGraph —— 让 Agent 更可控

1. 为什么需要 LangGraph？

在 LangChain 的早期，Agent（智能体）是个黑盒子。你告诉它："帮我查天气然后发邮件"。 它就开始自己转，如果中间一步错了（比如查天气查错了），整个流程就会崩掉，或者陷入死循环。你很难插手控制。

LangGraph 的出现就是为了解决控制问题。 它引入了计算机科学里经典的 图 (Graph) 和 状态机 (State Machine) 概念。

• 你可以画一张图：第一步走这里，如果成功走 A，失败走 B。
• 你可以设置循环：如果写的代码报错，就回到"写代码"这一步重写（Loop），最多重试 3 次。
• 你可以设置断点：在发邮件之前，暂停下来，等待人类点击"批准"（Human-in-the-loop）。

---

2. 核心概念：节点与边

Nodes (节点)

图上的每一个圆圈。每个节点就是一个函数（或者说一个步骤）。

• 节点 A: 搜索 Google
• 节点 B: 写周报
• 节点 C: 发邮件

Edges (边)

连接节点的线。定义了流程的走向。

• 普通边：A 做完直接做 B。
• 条件边 (Conditional Edge)：这是 AI 的核心。
  • 函数判断：if 搜索结果为空 -> goto 搜索节点(重试)
  • else -> goto 写作节点

State (状态)

这就像是一张"接力表"。所有的节点都共用这份 State。

• 节点 A 把搜索结果填进 State。
• 节点 B 从 State 里读搜索结果，写好文章再填进 State。

---

3. 代码示意

from typing import TypedDict, Annotated
from langgraph.graph import StateGraph, END

# 1. 定义状态
class AgentState(TypedDict):
    messages: list
    user_query: str

# 2. 定义节点函数
def search_node(state):
    # 调用搜索工具...
    return {"messages": ["搜索结果..."]}

def write_node(state):
    # 调用 LLM 写作...
    return {"messages": ["写好了..."]}

# 3. 构建图
workflow = StateGraph(AgentState)

# 添加节点
workflow.add_node("search", search_node)
workflow.add_node("write", write_node)

# 添加边 (逻辑)
workflow.set_entry_point("search") # 从 search 开始
workflow.add_edge("search", "write") # search 完去 write
workflow.add_edge("write", END) # write 完就结束

# 4.不仅译
app = workflow.compile()

# 5. 运行
app.invoke({"user_query": "今天天气"})

4. 总结

LangGraph 是目前开发 复杂生产级 Agent 的首选标准。虽然它比 LangChain 基础版难上手一点，但它带来的确定性和可调试性是企业级应用必须的。 如果你想做一个"不仅仅是聊天"的 AI 应用，一定要学 LangGraph。