1. LangGraph 初探:用流程图思维重构 LLM 工作流
当我们在 LangChain 生态中构建复杂 AI 应用时,经常会遇到这样的困境:多个 LLM 调用需要按特定顺序执行,中间还需要穿插数据处理、条件判断等操作。传统代码写法很快就会变成难以维护的"面条代码"。这正是 LangGraph 要解决的核心问题——它让我们可以用绘制流程图的方式,直观地设计和执行 LLM 工作流。
我最近在一个智能简历筛选系统中应用了 LangGraph。传统实现需要写大量 if-else 和函数调用,而改用流程图思维后,整个系统的可读性和可维护性提升了数倍。比如当需要添加"工作经验复核"环节时,只需在流程图中插入一个新节点,而不是在代码中寻找合适的插入点。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心概念解析:LangGraph 的四大要素
2.1 节点(Nodes):工作流的基本执行单元
在 LangGraph 中,每个节点本质上是一个 Python 函数。但与普通函数不同,节点函数必须返回一个字典,这个字典会成为下一个节点的输入。例如处理用户查询的节点可能长这样:
python复制def process_query(state):
query = state["user_input"]
cleaned_query = query.strip().lower()
return {"processed_query": cleaned_query}
关键技巧:节点函数应该保持单一职责原则,每个节点只做一件事。这样既方便测试,也利于后续工作流调整。
2.2 边(Edges):控制流程走向
边定义了节点之间的连接规则,决定了工作流的走向。LangGraph 支持三种边类型:
- 条件边:根据当前状态决定下一步
python复制def should_continue(state):
return "continue" if state["is_valid"] else "end"
- 固定边:无条件跳转到指定节点
python复制from langgraph.graph import END
edges = [
("node_a", "node_b"), # node_a 完成后必到 node_b
("node_b", END) # 工作流结束
]
- 动态边:运行时决定目标节点
2.3 状态(State):工作流的共享内存
所有节点都通过 state 字典共享数据。最佳实践是:
- 为不同数据类型设计清晰的键名(如
raw_input、processed_data) - 避免直接修改传入的 state,而是返回包含更新内容的新字典
- 对大型数据考虑使用外部存储,只在 state 中保留引用
2.4 图(Graph):整体的容器与执行引擎
最终的 Graph 对象将节点和边组合成完整工作流。配置时需要注意:
python复制from langgraph.graph import Graph
workflow = Gra
