周恰恰1. LangGraph入门：当大模型遇上图计算
第一次听说LangGraph时，我正在调试一个基于大模型的客服对话系统。当时遇到的最大痛点就是：当对话流程涉及多步骤决策（比如订单查询→物流跟踪→退换货申请）时，用传统代码控制流程就像用算盘操作智能手机——明明底层模型能力很强，却被线性代码捆住了手脚。直到看到LangGraph这个将图计算与大模型结合的框架，才意识到原来对话流程可以像搭积木一样可视化编排。
LangGraph的核心创新在于用"节点+边"的图结构来组织大模型调用。每个节点(Node)可以是LLM调用、工具调用或条件判断，边(Edge)则定义了执行路径。这种设计特别适合处理三类典型场景：
- 多轮对话系统：根据用户意图动态跳转对话分支
- 复杂任务分解：把"写行业分析报告"拆解为数据收集、观点生成、格式校验等子任务
- 自修正流程：当某步骤输出不达标时自动触发修正回路
提示：虽然官方文档将LangGraph定位为LangChain增强工具，但实测发现它完全可以独立使用。我团队现在80%的AI应用都基于纯LangGraph构建。
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. 核心组件Nodes深度解析
2.1 Node的四种基础类型
在LangGraph中，Node远不止是简单的函数封装。根据我们在电商客服系统中的实践，总结出四种高频使用的节点模式：
1. LLM决策节点（最常用）
python复制from langgraph.nodes import LLMNode
product_query = LLMNode(
prompt_template="""根据用户问题分类：
问题：{question}
可选类别：价格查询|功能咨询|故障报修|操作指导""",
model="gpt-4-1106-preview",
output_key="intent"
)
这类节点的特点是：
- 使用
output_key明确指定输出字段名 - 支持temperature等完整参数透传
- 实测发现输出稳定性：gpt-4 > claude-3 > gemini-pro
2. 工具调用节点
python复制from langgraph.nodes import Tool