LangGraph 快速入门LangGraph 快速入门一、为什么需要 LangGraph？🤔 传统的 LangCh

LangGraph 快速入门

一、为什么需要 LangGraph？🤔

传统的 LangChain 是单向输出的（A -> B -> C）。但在复杂的现实场景中，我们往往需要：

循环 (Loops)：如果模型翻译得不好，让它重新翻译。
条件分支 (Conditional Branching)：如果输入是中文，走翻译流程；如果是数学题，走计算流程。
状态管理 (State)：在多轮对话中记住之前的每一步发生了什么。

二、LangGraph 的核心三要素 🧱

构建一个“图”主要涉及三个概念：

State (状态)：这是在图的各个节点之间传递的“记忆”。通常是一个字典，记录了当前的对话历史或处理结果。
Nodes (节点)：就是你的函数。每一个节点接收当前的状态，处理后返回更新的状态。我们的 final_chain 就可以作为一个节点。
Edges (边)：决定了数据如何从一个节点流向下一个节点。

三、动手设计：一个“带自检功能”的翻译官 👮‍♂️

我们要构建这样一个流程：

节点 A (Translator)：执行翻译。
节点 B (Checker)：检查翻译结果（例如：检查是否包含敏感词，或者是否漏掉了标点）。
条件边：如果 Checker 觉得没问题，结束；如果觉得有问题，回到 Translator 重新翻译。

1. 定义状态和节点

为了实现“自检”并能让翻译官“重试”，我们的 State (状态) 至少需要包含这两个关键信息：

is_successful (是否成功)：一个布尔值，作为“开关”来决定流程是走向【结束】还是回到【翻译】。
feedback (修改意见)：一段字符串，记录 Checker 发现的具体问题（比如：“术语不专业”或“漏掉了第二段”）。

1. 定义状态 (State)

from typing import TypedDict

class GraphState(TypedDict):
    text: str          # 原文
    target_lang: str   # 目标语言
    translation: str   # 翻译结果
    feedback: str      # 检查意见
    is_ok: bool        # 是否通过检查

2. 翻译节点 (Translator)

这里的 Prompt 会根据是否有 feedback 动态调整：

def translator_node(state: GraphState):
    text = state["text"]
    target = state["target_lang"]
    feedback = state.get("feedback", "")
    
    if feedback:
        # 如果有意见，要求“修改”
        prompt = f"原译文有问题：{feedback}\n请根据意见重新翻译原文：{text}\n目标语言：{target}"
    else:
        # 如果没有意见，要求“初次翻译”
        prompt = f"请将以下文本翻译为{target}：{text}"
    
    # 模拟模型调用
    # response = model.invoke(prompt)
    print(f"--- 正在翻译 ---")
    return {"translation": "假装这是模型生成的翻译结果"}

3. 检查节点 (Checker)

这个节点负责当“考官”：

def checker_node(state: GraphState):
    translation = state["translation"]
    
    # 逻辑判断：比如检查长度，或者调用另一个模型来打分
    if "待定" in translation: # 举个例子
        return {"is_ok": False, "feedback": "译文不完整，请补充。"}
    else:
        return {"is_ok": True, "feedback": ""}

2. 编排工作流 (Router)

最后，我们需要一个“导航员”来决定下一步去哪。如果 is_ok 为 False，它会把控制权交回给 translator_node。

条件边 (Conditional Edge) 是让 LangGraph 具备“思考”能力的灵魂。它允许程序根据当前状态（State）的值动态决定下一步的走向。

为了帮你实现在办公内网运行的“自检翻译助手”，我们需要完成最后一块拼图。

1. 完整的逻辑流图 🕸️

在 LangGraph 中，我们的工作流逻辑如下：

节点/边	描述
START	流程开始，进入 `translator` 节点。
Translator 节点	根据原文（及反馈意见）生成译文。
Checker 节点	检查译文，并在状态中标记 `is_ok`。
条件边 (Router)	如果 `is_ok` 为 True -> 跳转到 `END` 如果 `is_ok` 为 False -> 回到 `translator`。

2. 代码实现示例 (Python) 💻

你可以直接在内网环境参考以下结构来编写你的图：

from langgraph.graph import StateGraph, END

# 1. 初始化图（传入我们之前定义的 GraphState）
workflow = StateGraph(GraphState)

# 2. 添加节点
workflow.add_node("translator", translator_node)
workflow.add_node("checker", checker_node)

# 3. 设置起跑点
workflow.set_entry_point("translator")

# 4. 连接普通边：翻译完必须去检查
workflow.add_edge("translator", "checker")

# 5. 设置核心：条件边
def router(state):
    # 根据状态返回下一个节点的名称
    if state["is_ok"]:
        return "end"
    else:
        return "retry"

workflow.add_conditional_edges(
    "checker", # 从 checker 节点出发
    router,    # 使用 router 函数判断走向
    {
        "end": END,            # 如果返回 "end"，流程结束
        "retry": "translator"  # 如果返回 "retry"，回到翻译节点
    }
)

# 6. 编译并运行
app = workflow.compile()

防止程序陷入“死循环”，增加一个**重试计数（retry_count）变量，能让程序在尝试一定次数后优雅地停止，而不是无休止地消耗计算资源。

我们可以将 retry_count 加入到 GraphState 中，并在 translator 节点中累加它。

3. 完整的翻译助手

这是一个结合了 LangChain（处理文本）、LangGraph（处理逻辑循环）和 自检机制 的完整逻辑代码框架。

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

# 1. 定义状态包
class GraphState(TypedDict):
    text: str
    target_lang: str
    translation: str
    feedback: str
    is_ok: bool
    retry_count: int  # 🔢 关键字段：记录重试次数

# 2. 定义 Translator 节点
def translator_node(state: GraphState):
    current_retry = state.get("retry_count", 0)
    text = state["text"]
    feedback = state.get("feedback", "")
    
    # 构造提示词：如果有反馈意见，则要求修改
    if feedback:
        prompt = f"修改意见：{feedback}\n请根据意见重新翻译原文：{text}"
    else:
        prompt = f"请翻译原文：{text}"
    
    print(f"--- 正在进行第 {current_retry + 1} 次翻译 ---")
    
    # 这里替换为你内网模型的调用逻辑
    # response = model.invoke(prompt)
    
    return {
        "translation": "模型生成的译文内容", 
        "retry_count": current_retry + 1
    }

# 3. 定义 Checker 节点
def checker_node(state: GraphState):
    translation = state["translation"]
    
    # 模拟检查逻辑：如果包含“错误”字样则不通过
    if "错误" in translation:
        return {"is_ok": False, "feedback": "译文中包含敏感词或错误。"}
    else:
        return {"is_ok": True, "feedback": ""}

# 4. 定义路由逻辑 (实现条件边)
def decide_to_go(state: GraphState):
    # 💡 这里的逻辑解决了死循环问题
    if state["is_ok"] or state["retry_count"] >= 3:
        return "end"
    else:
        return "retry"

# 5. 编排工作流
workflow = StateGraph(GraphState)

workflow.add_node("translator", translator_node)
workflow.add_node("checker", checker_node)

workflow.set_entry_point("translator")
workflow.add_edge("translator", "checker")

workflow.add_conditional_edges(
    "checker",
    decide_to_go,
    {
        "end": END,
        "retry": "translator"
    }
)

app = workflow.compile()