前言
前面了解了 LangGraph，以及写了第一个简单的 LangGraph 程序。今天继续深入学习 LangGraph，先从 LangGraph 的通讯机制开始。
Reducers
在 LangGraph 中当多个节点（Node）并行/串行修改同一状态时，Reducers 是定义“旧状态+新修改” 如何合并为新状态的纯函数。简单滴说就是一个状态的“合并规则引擎”。
LangGraph 中，我们通过 Annotated 标注预先定义“字段级合并规则”，框架自动按规则合并多节点修改。
以下面这行代码为例：
messages: Annotated[list[str], lambda old, new: old + new]list[str]：字段类型-字符串列表lambda old, new: old + new：这就是 Reducers——一个纯函数，定义了“旧状态（old）+新修改（new）”的合并逻辑（此处为“追加列表”）。
# 1. 定义状态与Reducers（关键！）
class State(TypedDict):
messages: Annotated[list[str], lambda old, new: old + new] # 追加合并对话
count: Annotated[int, lambda old, new: old + new] # 求和合并计数
Send
send 是 LangGraph 提供的动态消息触发 API。节点函数通过返回 Send 对象，主动向目标节点发送状态副本，触发其执行对应操作。其核心作用：替代静态边，实现“根据运行时数据动态选下一个节点”（比如用户意图变了，就换节点处理）。
-
单播：返回
{"send": Send(target, state)}，向1个节点发送1份状态副本（类似“一对一派单”）； -
广播：返回
[Send(target, state_i) for i in N]，向多个节点发送多份状态副本（类似“批量派单”）。
关于 Send 相关更多 case 详见 官方文档。
State
- messages：单播
- jokes：广播
class State(TypedDict):
messages: Annotated[list[str], operator.add] # 对话消息
jokes: Annotated[list[str], operator.add] # 生成的笑话
subject: Annotated[str, operator.add]
这里要特别注意：
-
query_order：这里消息发送只是发送 state 状态，并未产生新信息 -
generate_joke：这里在Send有新信息产生，但是 Send 新信息不会加入到 State 里，所以需要构造新State 传递
# 3. 核心节点：同时演示单播/广播（条件分支）
def demo_send(state: State) -> Union[Dict[str, Any], List[Send]]:
last_msg = state["messages"][-1] if state["messages"] else ""
# 🔹 单播写法：触发query_order节点
if "订单" in last_msg:
return {"send":
Send("query_order", {
"messages": state["messages"],
"jokes": state["jokes"],
"subject": ""})
} # 显式传递subject，避免字段缺失
# 🔹 广播写法：触发generate_joke节点3次（并行）
elif "笑话" in last_msg:
sends = []
for s in ["猫", "狗", "咖啡"]:
# 复制一份 state，把 subject 写进去！
new_state = {
"subject": s # 必须写在这里！
}
sends.append(Send("generate_joke", new_state))
return {"send": sends}
# 默认分支：触发通用回答
else:
return {"send": Send("general_answer", {"messages": state})}
节点
# 4. 单播目标节点：处理订单查询
def query_order(state: State) -> State:
msg = state["messages"][0]
return {
"messages": [f"查订单结果：{msg}已发货"],
"jokes": state.get("jokes", []),
"subject": ""
}
# 5. 广播目标节点：生成单个笑话
def generate_joke(state: State) -> State:
subject = state.get("subject", "小毛蛋")
joke = f"{subject}走进酒吧说“来杯牛奶”，老板问“变乖了？”，它说“医生说我得补钙！”"
return {
"messages": state.get("messages", []),
"jokes": state.get("jokes", []) + [joke],
"subject": ""
}
条件边
- 如果节点返回
{"send": [Send(), Send()]}，那么条件边必须直接return send。
# 添加条件边，让demo_send的send指令驱动路由
def get_next_nodes(state):
return state["send"]
# 配置demo_send的条件路由（关键：让Send指令生效）
builder.add_conditional_edges(
"demo_send",
get_next_nodes, # 路由函数：返回要触发的目标节点
{
"query_order": "query_order",
"generate_joke": "generate_joke",
"general_answer": "general_answer"
}
)
示例
# 示例1：单播（含“订单”）
res_single = graph.invoke({"messages": ["我的订单123没到"], "jokes": [], "subject": ""})
logger.info("=== 单播结果 ===")
logger.info("消息:" + str(res_single["messages"])) # 输出：["我的订单123没到", "查订单结果：我的订单123没到已发货"]
logger.info("笑话:" + str(res_single["jokes"])) # 输出：[]
# 示例2：广播（含“笑话”）
res_broadcast = graph.invoke({"messages": ["我想听笑话"], "jokes": [], "subject": ""})
logger.info("\n=== 广播结果 ===")
logger.info("消息:" + str(res_broadcast["messages"])) # 输出：[]
logger.info("笑话:" + str(res_broadcast["jokes"])) # 输出：3个关于猫、狗、咖啡的笑话
Running
Interrupt
Interrupt 是 LangGraph 内置的主动暂停机制。当流程执行到某个节点时，触发Interrupt 会冻结当前完整状态（包括所有变量、节点执行历史、上下文），返回控制权给调用方；待外部输入（如用户反馈、人工审核）到来后，再从暂停处无缝恢复执行。
我们给出的 Demo 是这样一个 🌰：一个简单的 AI 自动处理 + 人类中断审核的 LangGraph 工作流。更多 case 详见 官方文档。
interrupt()：使用该函数制造中断
def conditional_human_review(state: State):
"""
动态中断：
只有 need_human_review = True 才会等待人类输入
否则直接跳过
"""
# ✅ 核心：条件中断
if state["need_human_review"]:
# 中断，等待人类输入
human_input = interrupt({
"ai_result": state["some_text"],
"tip": "请输入修改意见（满足条件才会出现)："
})
return {"some_text": human_input}
# 不满足条件 → 不中断，直接返回原内容
logger.info("✅ 不满足中断条件，跳过人工审核")
return state
Command
Command 是 LangGraph 框流程控制的“导航仪”。它封装了“下一步去哪、带什么数据、做什么操作”的指令，解决传统Agent“隐式流控易失控”的痛点。
- 本质：结构体。
goto（目标节点名）update（要修改的状态字段）resume（恢复中断的节点）等关键信息，需要与interrupt结合使用
- 作用：精确掌控工作流的跳转与状态变更
- 应用场景：
- 多分支决策（如分类后跳不同节点）
- 循环重试（如失败后跳回原节点）
- 中断恢复（如等待用户输入后继续）。
State
class AgentState(TypedDict):
question: str # 用户问题
category: Literal["tech", "non-tech"] | None # 分类：技术/非技术
response: str | None # 最终回答
need_interrupt: bool | None # 是否需要中断（用于 resume 演示）
goto/update
- Command
goto：跳去技术节点update：更新内容"category": "tech"：更新分类"need_interrupt": True：需要中断（演示 resume）xxx：更多自定义信息
def classify_node(state: AgentState) -> Command:
"""
核心演示：
Command(goto=节点名) → 动态跳转
Command(update=状态) → 合并更新状态
"""
question = state["question"]
# 规则：包含代码、bug → 技术问题
if "代码" in question or "bug" in question:
return Command(
goto="handle_tech", # 跳去技术节点
update={
"category": "tech", # 更新分类
"need_interrupt": True # 需要中断（演示 resume）
}
)
# 其他 → 非技术
else:
return Command(
goto="handle_non_tech",
update={
"category": "non-tech",
"need_interrupt": False
}
)
rusume
rusume 用于恢复 interrupt 带来的打断。首先需要定义 interrupt 代码。
def handle_tech(state: AgentState):
"""
核心演示：
interrupt() → 暂停流程
Command(resume=xxx) → 恢复流程
"""
# 如果需要中断，就暂停，等待人类输入
if state["need_interrupt"]:
# 中断！返回给前端/用户
human_input = interrupt({
"tip": "请输入人工修改意见",
"ai_answer": f"已识别技术问题：{state['question']}"
})
# 恢复后，用人类输入更新结果
return {
"response": f"[技术+人工] {human_input}"
}
# 不需要中断 → 直接返回
return {
"response": f"[技术] 已处理：{state['question']}"
}
在检测到中断，收到中断输入后再恢复中断继续执行。
# 检测到中断，才会有恢复
if result.get("__interrupt__"):
logger.info("检测到技术问题，转人工")
# 2. 用户输入 → 恢复流程（核心：resume）
human_feedback = input("人工9527号修复意见：")
resume_result = app.invoke(
Command(resume=human_feedback), # ✅ resume 恢复中断
config=config
)
# 3. 恢复结果
logger.info(f"🔹 恢复后最终结果：{resume_result['response']}")
更多 case 详见 官方文档。
