LangGraph实战：让AI Agent拥有指挥家的智慧

从线性到图：AI工作流的进化

前几天我在想一个问题：为什么很多AI Agent只能做单次对话，无法处理复杂的多步骤任务？

答案很简单——大多数LLM调用是线性的：用户提问 → 模型回答 → 结束。就像播放一首从头到尾的曲子，没有循环、没有分支、没有记忆。

但真正的智能体需要更像一位指挥家：根据现场情况随时调整节奏，让某个乐章重复，或者跳转到特定段落。这就是LangGraph要做的事。

LangGraph是什么？

LangGraph是LangChain团队开发的低层级Agent编排框架，专门为构建有状态、长时运行的AI工作流设计。

核心概念：

• 节点（Node）：执行具体操作的函数——调用LLM、执行工具、处理数据
• 边（Edge）：定义节点之间的流转路径，支持条件分支
• 状态（State）：在整个工作流中共享并传递的数据

用图结构代替线性链，让AI工作流可以循环、分支、回溯，真正实现复杂的自主决策。

为什么选择LangGraph？

对比传统LLM Chain：

实战：构建一个简单的智能体

第一步：安装依赖

pip install langgraph langchain langchain-openai python-dotenv

第二步：定义状态

from typing import TypedDict, Annotated
from langgraph.graph import add_messages

class AgentState(TypedDict):
    messages: Annotated[list, add_messages]
    user_name: str
    step_count: int

注意：Annotated类型的add_messages表示新消息会追加到列表而不是覆盖——这是状态管理的核心机制。

第三步：定义节点

def greet_node(state: AgentState) -> dict:
    print(f"收到消息: state['message']")
    return {"message": "你好！"}

def process_node(state: AgentState) -> dict:
    print(f"处理消息: state['message']")
    return {"processed": True}

第四步：构建图

from langgraph.graph import StateGraph, START, END

builder = StateGraph(AgentState)

# 添加节点
builder.add_node("greet", greet_node)
builder.add_node("process", process_node)

# 添加边
builder.add_edge(START, "greet")
builder.add_edge("greet", "process")
builder.add_edge("process", END)

# 编译图
graph = builder.compile()

第五步：运行

result = graph.invoke({
    "message": "世界",
    "processed": False
})

print(f"最终结果: result")
# 输出：message: '你好！世界', processed: True

核心优势详解

1. 持久执行

构建的智能体能够抵御故障并长时间运行，可从上次中断的地方自动恢复。这对于需要多步骤完成的任务至关重要。

2. 人机协作

在执行的任何时间点检查和修改智能体状态，无缝融入人工监督。比如审批工作流中，AI处理到关键节点时暂停，等待人工确认后继续。

3. 全面记忆

既具备用于持续推理的短期工作记忆，也具备跨会话的长期持久记忆。让智能体真正"记住"之前发生过什么。

4. 条件路由

def route_after_llm(state: AgentState) -> str:
    last_message = state["messages"][-1].content
    
    if "调用工具" in last_message:
        return "tool_node"
    elif "需要人工确认" in last_message:
        return "human_review"
    else:
        return END

# 添加条件边
builder.add_conditional_edges(
    "llm_node",
    route_after_llm,
    {"tool_node": "tools", "human_review": "review", END: END}
)

适用场景

• 对话机器人：需要记忆多轮对话上下文
• 自主Agent：能够规划、使用工具、迭代思考
• 多Agent系统：多个AI协同完成复杂任务
• 审批工作流：需要人工审核的自动化流程
• 研究助手：需要多步骤推理和信息检索

我的踩坑记录

学习LangGraph时踩了几个坑，分享一下避免重蹈覆辙：

1. 状态字段不要用可变默认值：用Field(default_factory=list)而不是default=[]
2. 条件路由函数返回值必须匹配节点名：返回的字符串必须是已注册的节点名称或END
3. State更新是合并而非替换：节点返回的是要更新的字段，不是完整State

生态与工具

LangGraph不是孤立的，它能与LangChain全家桶无缝集成：

• LangSmith：调试和可观察性，追踪执行路径
• LangGraph Studio：可视化原型工具，拖拽式设计工作流
• LangChain：提供集成和可组合组件

总结

LangGraph给AI Agent带来了"指挥"的能力——不只是按顺序执行，而是能够根据情况调整节奏、循环迭代、人工干预。

如果你正在构建复杂的多步骤AI应用，LangGraph值得深入学习。它可能不是最简单的选择，但绝对是最强大的之一。

开源地址：https://github.com/langchain-ai/langgraph

延伸阅读

• ClawHub技能商店：AI Agent的App Store
• AI Agent技能发现与安全：如何找到并安全使用技能
• SEO审计实战：让你的博客被搜索引擎看见