1. LangGraph基础概念与核心价值
作为一名长期从事AI应用开发的工程师,我深刻理解传统链式工作流在面对复杂任务时的局限性。LangGraph的出现彻底改变了这一局面,它让我们能够像绘制流程图一样设计和控制AI Agent的每一步行为。
1.1 为什么需要LangGraph?
在真实业务场景中,简单的"输入-输出"模式远不能满足需求。比如客户服务场景可能需要:
- 先理解用户意图
- 查询知识库
- 生成初步回复
- 检查合规性
- 最终输出
这种多步骤、有条件分支的工作流正是LangGraph的专长。与LangChain的AgentExecutor相比,LangGraph提供了更底层的控制能力,将AI的"黑盒"思考过程变成了对开发者完全透明的"白盒"工作流。
1.2 核心三要素解析
1.2.1 State(状态)
这是整个工作流的共享内存空间,所有节点都通过它交换信息。State的设计直接影响工作流的灵活性。最佳实践是:
- 使用TypedDict明确字段类型
- 为每个字段添加清晰的文档注释
- 考虑状态数据的生命周期
python复制class CustomerServiceState(TypedDict):
"""
客户服务工作流状态
- user_input: 原始用户输入
- intent: 识别的用户意图
- knowledge: 检索到的知识片段
- draft_response: 生成的草稿回复
- final_response: 最终回复
"""
user_input: str
intent: Optional[str]
knowledge: Optional[List[str]]
draft_response: Optional[str]
final_response: Optional[str]
1.2.2 Node(节点)
每个节点应该是独立的功能单元,遵循单一职责原则。我在实际开发中总结出几个要点:
- 节点函数应该保持纯净(无副作用)
- 明确标注输入输出类型
- 包含充分的日志输出
python复制def intent_recognition_node(state: CustomerServiceState) -> dict:
"""用户意图识别节点"""
logger.info("正在执行意图识别...")
prompt = f"""
请分析以下用户输入的意图:
{state['user_input']}
可选意图分类:
- 产品咨询
- 故障报修
- 账单查询
- 投诉建议
"""
recognized_intent = llm.invoke(prompt).content
return {"intent": recognized_intent.strip()}
1.2.3 Edge(边)
边定义了工作流的走向,LangGraph支持两种高级边类型:
- 固定边(add_edge):无条件转移
- 条件边(add_conditional_edges):基于状态动态路由
python复制# 条件边示例
def should_check_compliance(state: CustomerServiceState) -> str:
"""判断是否需要进入合规检查"""
if "投诉" in state['intent'] or "法律" in state['draft_response']:
return "compliance_node"
return "end_node"
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. 从线性工作流到复杂Agent
2.1 基础线性工作流实战
让我们通过一个报告生成器的例子,掌握LangGraph的基础用法。这个工作流包含两个节点:
- 起草节点:生成报告初稿
- 审阅节点:优化报告质量
2.1.1 环境准备
建议使用conda创建独立环境:
bash复制conda create -n langgraph python=3.10
conda activate langgraph
pip install langgraph langchain-ope
