LangGraph 基本概念与编码思路详解

在 AI Agent、Multi-Agent、Workflow AI 快速发展的今天，越来越多开发者开始接触：

• Agent Workflow
• Tool Calling
• 状态管理
• 长链路推理
• 多步骤决策

而在这些能力背后，LangChain 推出的 LangGraph 正在成为构建 Agent Workflow 的核心框架之一。

很多人第一次看到 LangGraph 会疑惑：

• 为什么它叫 Graph？
• 和普通链式调用（Chain）有什么区别？
• State 是什么？
• Node 怎么组织？
• Conditional Edge 是什么？
• Multi-Agent 为什么都在用 DAG / Graph？

这篇文章会从：

• 基础概念
• 核心架构
• 编码思维
• 状态流转
• 条件路由
• Agent Workflow
• 实战代码

系统讲清楚 LangGraph 的核心设计思想。

---

一、什么是 LangGraph？

LangGraph 是一个：

基于 Graph（图）模型的 AI Workflow 编排框架。

它本质上解决的是：

LLM 多步骤任务如何组织？

例如：

用户问题
   ↓
意图识别
   ↓
工具调用
   ↓
RAG 检索
   ↓
LLM 推理
   ↓
结果校验
   ↓
输出

传统 Chain 难以处理：

• 循环
• 条件分支
• 状态共享
• 多 Agent 协作
• 长生命周期 Workflow

因此 LangGraph 引入：

State + Node + Edge

形成真正的：

有向图工作流（Graph Workflow）

---

二、LangGraph 核心思想

LangGraph 的核心：

状态在图中流动

整个系统类似：

这里：

概念	含义
Node	节点（执行逻辑）
Edge	边（执行路径）
State	全局共享状态
Conditional Edge	条件路由
START	起点
END	终点

---

三、为什么 LangGraph 比 Chain 更强？

传统 Chain：

A → B → C → D

本质是：

线性流程

而真实 AI Workflow 往往是：

A
├── B
├── C
└── D
     └── retry

例如：

• Agent 失败重试
• Tool 多轮调用
• 动态决策
• 多 Agent 协作
• Planner / Executor 模式

这已经不是：

链（Chain）

而是：

图（Graph）

---

四、LangGraph 最核心的三个概念

---

1. State（状态）

State 是 LangGraph 的灵魂。

为什么需要 State？

因为 Agent Workflow 是：

多步骤共享上下文

例如：

{
    "question": "...",
    "documents": [...],
    "tool_result": "...",
    "final_answer": "..."
}

所有节点都操作同一个状态。

---

（补充解释）

1. 代码示例部分

JSON结构示例：

{
  "question": "...",
  "documents": [...],
  "tool_result": "...",
  "final_answer": "..."
}

这是一个共享状态对象的典型表示，包含:

• question: 用户提出的问题
• documents: 检索到的相关文档
• tool_result: 工具执行的结果
• final_answer: 最终生成的答案

这个JSON结构代表了系统在处理过程中需要维护和更新的全局状态。

2. "所有节点都操作同一个状态"说明

明确指出"所有节点都操作同一个状态"，这正是图片展示的核心概念。在分布式系统中，这意味着系统中的每个组件(节点)都基于同一个共享状态进行操作和更新，而不是各自维护独立的状态副本。

3. State 流转示意图分析

共享状态区域 (Shared State)

• 位于图表上部，被明确标记为"Shared State"
• 包含三个关键状态元素：question、documents和answer
• 这表示系统中所有组件都能访问和修改这些状态变量

处理流程

• Input: 系统接收初始输入
• Retriever: 检索组件，负责根据问题检索相关文档
  • 作用：填充documents字段
  • 与共享状态交互：从question获取信息，将结果写入documents
• LLM: 大型语言模型组件
  • 作用：基于问题和文档生成答案
  • 与共享状态交互：读取question和documents，生成并写入answer
• Validator: 验证组件
  • 作用：验证生成的答案是否符合要求
  • 与共享状态交互：读取answer进行验证

4. 系统架构意义

这种设计体现了"所有节点都操作同一个状态"的核心思想：

• 状态一致性：所有组件操作的是同一个状态对象，避免了数据不一致问题
• 流程协同：组件间通过共享状态进行通信，而不是直接传递数据
• 可扩展性：可以轻松添加新组件，只要它们遵循访问和更新共享状态的规则
• 容错性：如果某个组件失败，其他组件仍可以基于最新状态继续工作

5. 实际应用场景

这种架构常见于：

• RAG(检索增强生成)系统：如图片所示，Retriever检索文档，LLM生成回答
• 多步骤处理流程：需要多个组件协作完成复杂任务的系统
• 对话系统：维护对话历史和上下文状态

总结

这张图片清晰地展示了在分布式处理系统中，如何通过共享状态机制确保所有处理节点操作同一数据视图。与传统分布式系统不同，这里不是多个独立节点维护相同数据的副本，而是所有组件共同操作一个单一的、集中的状态对象。这种设计使系统更加简洁、一致，特别适合需要多步骤处理的AI应用，如基于LLM的问答系统。

State 流转示意图

---

State 通常怎么定义？

最常见：

from typing import TypedDict

class AgentState(TypedDict):
    question: str
    documents: list
    answer: str

LangGraph 中：

节点输入 = State
节点输出 = State 更新

---

2. Node（节点）

Node 是：

执行逻辑单元

例如：

• LLM 调用
• Tool 调用
• RAG 检索
• 数据处理
• Agent 推理

---

Node 的本质

Node 就是：

def node(state):
    ...
    return updated_state

例如：

def retrieve_node(state):
    docs = retriever.invoke(state["question"])

    return {
        "documents": docs
    }

---

3. Edge（边）

Edge 决定：

节点之间如何流转

例如：

---

五、Conditional Edge（条件边）

这是 LangGraph 最重要能力之一。

AI Workflow 本质上：

不是固定路径

而是：

动态决策路径

---

示例：Agent 是否继续调用 Tool？

---

编码方式

def router(state):
    if state["need_tool"]:
        return "tool_node"

    return "end"

然后：

graph.add_conditional_edges(
    "agent",
    router
)

---

六、LangGraph 工作流执行过程

整个执行过程：

核心思想：

Graph 控制流程
State 保存上下文
Node 负责逻辑

---

七、最小 LangGraph 示例

---

安装

pip install langgraph langchain openai

---

基础代码

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

class State(TypedDict):
    input: str
    output: str

def chatbot(state):
    text = state["input"]

	# 状态合并
    return {
        "output": f"Echo: {text}"
    }

graph = StateGraph(State)

graph.add_node("chatbot", chatbot)

graph.set_entry_point("chatbot")

graph.add_edge("chatbot", END)

app = graph.compile()

result = app.invoke({
    "input": "hello"
})

print(result)

需要：

pip install langgraph

运行结果：

{'input': 'hello', 'output': 'Echo: hello'}

---

（注意）状态合并：LangGraph 不会用节点返回的结果完全替换当前状态，而是将返回的字典与当前状态进行合并（类似 Python 的 dict.update() 操作）

八、LangGraph 编码思路（非常重要）

很多人学不会 LangGraph。

原因不是 API。

而是：

没有 Graph 思维

---

正确思维方式

不要想：

我下一步调用谁？

而要想：

状态下一步流向哪里？

---

推荐设计流程

---

第一步：先设计 State

先问：

整个流程需要共享什么数据？

例如：

class AgentState(TypedDict):
    messages: list
    tool_result: str
    final_answer: str

---

第二步：拆分 Node

每个 Node：

只做一件事

例如：

Node	职责
planner	规划
retriever	检索
tool	工具调用
generator	生成答案
validator	校验

---

第三步：设计 Edge

思考：

流程如何跳转？

例如：

---

九、为什么 Multi-Agent 都在用 Graph？

因为 Multi-Agent 本质：

多个智能体协作

这天然就是：

图结构

例如：

这里：

• 每个 Agent 是 Node
• Agent 间通信是 Edge
• 共享 Memory 是 State

这也是：

• AutoGen
• CrewAI
• OpenAI Agents
• DeepResearch

越来越 Graph 化的原因。

---

十、LangGraph 与 DAG 的关系

很多人会问：

LangGraph 是 DAG 吗？

答案：

部分是

---

DAG（有向无环图）

特点：

不能回环

例如：

---

LangGraph 更强

LangGraph 支持：

循环（Loop）

例如：

这对于 Agent 极其重要：

• ReAct
• Tool Retry
• Self Reflection
• Auto Correction

都需要循环。

---

十一、典型 Agent Workflow

---

ReAct Agent

这其实就是：

经典 LangGraph 模型

---

十二、LangGraph 常见组件

---

1. START

起始节点。

---

2. END

结束节点。

---

3. StateGraph

图对象。

---

4. compile()

编译 Workflow。

---

5. invoke()

执行 Workflow。

---

十三、生产级编码建议

---

1. State 不要过大

错误：

state["everything"]

正确：

state["messages"]
state["tool_result"]

---

2. Node 单一职责

不要：

一个 Node 做全部事情

而要：

一个 Node 一个能力

---

3. Conditional Edge 保持简单

不要：

if-else 地狱

而要：

router()

集中管理。

---

4. Graph 先画图再编码

强烈推荐：

先 Mermaid
再代码

因为：

Graph 本质是架构设计

---

十四、LangGraph 适合什么场景？

非常适合：

场景	是否适合
AI Agent	✅
Multi-Agent	✅
Tool Calling	✅
RAG Workflow	✅
长链路推理	✅
自动化流程	✅
Retry Workflow	✅

不太适合：

场景	原因
简单聊天机器人	过重
单次 Prompt	不需要 Graph
极简单 API 封装	没必要

---

十五、总结

LangGraph 本质是：

用图结构管理 AI Workflow

核心三要素：

State
Node
Edge

核心思想：

状态在图中流动

它解决的是：

复杂 Agent Workflow 编排问题

相比传统 Chain：

Chain	LangGraph
线性	图结构
固定流程	动态路由
无状态	状态共享
不擅长循环	支持循环
难做 Multi-Agent	天然支持

可以这样理解：

Chain 是函数调用
LangGraph 是操作系统调度

未来：

• AI Agent
• Deep Research
• Multi-Agent
• Autonomous Workflow

几乎都会走向：

Graph Workflow

而 LangGraph 正是当前最主流的 Graph AI 编排框架之一。