🚅 地铁的"回头路、存档点与人工闸机"（下）：LangGraph 的循环、持久化与中断

默_笙
31 阅读6分钟

写在前面：上篇我们建好了 LangGraph 的第一张地铁网——状态（Annotation）、节点（函数）、直线边、条件边（换乘分叉）。但真实的地铁系统还有三样东西没解决：坐过站要回头坐（循环）、中途出站下次接着坐（状态持久化）、过闸机遇到人工开箱检查（中断确认）。今天这三个问题全部安排：loop-retry.mjs 演示循环重试，checkpointer-memory.mjs 演示 MemorySaver 状态持久化，graph-interrupt.mjs 演示中断等人确认。readme 把它们总结成了网状工作流的三大高级能力。以下所有代码均来自课堂真实文件。

一、循环：坐过站就回头再坐一次

真实世界没有一帆风顺——LLM 调用会失败、工具会报错、结果可能不合格。怎么办？重试。

loop-retry.mjs 演示了一个"重试 3 次才成功"的循环。

完整代码

import {
    Annotation, END, START, StateGraph,
} from "@langchain/langgraph";

const StateAnnotation = Annotation.Root({
    tries: Annotation({
        reducer: (_prev, next) => next,
        defaultValue: 0,      // 注意：这里是 defaultValue 而不是 default
    }),
    ok: Annotation({
        reducer: (_prev, next) => next,
        default: () => false, // 默认失败
    }),
    message: Annotation({
        reducer: (_prev, next) => next,
        default: () => "",
    }),
});

const attempt = (state) => {
    const retries = state.tries + 1;
    const ok = retries >= 3;   // 第 3 次才成功
    return {
        tries: retries,
        ok,
        message: ok ? `第${retries}次成功` : `第${retries}次失败`,
    }
}

const graph = new StateGraph(StateAnnotation)
    .addNode("attempt", attempt)
    .addEdge(START, "attempt")
    .addConditionalEdges("attempt", (state) => state.ok ? "done" : "retry", {
        retry: "attempt",   // 没成功 → 回到 attempt 自己（自环）
        done: END,          // 成功了 → 结束
    })
    .compile()

console.log("result", await graph.invoke({tries: 0}))

模拟失败：attempt 节点

const attempt = (state) => {
    const retries = state.tries + 1;
    const ok = retries >= 3;   // 第 1、2 次失败，第 3 次成功
    return {
        tries: retries,
        ok,
        message: ok ? `第${retries}次成功` : `第${retries}次失败`,
    }
}

attempt 节点模拟一个"前两次必失败、第三次才成功"的操作：

次数triesokmessage
第 1 次1false第1次失败
第 2 次2false第2次失败
第 3 次3true第3次成功

关键：条件边指向自己（自环）

.addConditionalEdges("attempt", (state) => state.ok ? "done" : "retry", {
    retry: "attempt",   // 关键：回到自己！
    done: END,
})

注意 retry: "attempt" ——目标节点就是起始节点自己。没成功就从 attempt 再跳回 attempt，形成自环。

             ┌──────────────────┐
             │                  │
             ▼                  │
START → attempt ──ok?── 否 ─────┘
             │
           是（第3次）
             ▼
            END

条件边在这里的作用——判断是否继续循环。state.ok 为 false 就回到 attempt 再试一次，直到第 3 次 ok 变 true 才走向 END。

为什么循环这么重要？

真实场景里，LLM 的输出经常需要重试：

场景失败原因重试策略
JSON 解析失败LLM 格式跑偏重新生成
工具调用报错网络 / 参数问题换个参数重试
内容审核不过违反规则修改后重试
API 限流频率过高等待后重试

没有循环能力，这些场景都得自己在 LangChain 外面写 while 循环。LangGraph 把循环内建在图里——节点、条件边、状态三者配合，天然支持"失败→重试→直到成功"。

二、状态持久化：地铁卡里的"存档点"

循环解决了"重复做"，但还有个大问题——图执行完，状态就没了。

readme 点出了痛点：

"持久化我们的状态？不要每次重新执行。"

想想真实的对话场景——用户问完一句，Agent 回答完，图结束。下次用户再问，图又从 START 重新开始，完全忘了上次聊到哪。这不是我们想要的——Agent 应该记住"这是你第几次找我"。

readme 的解法：

"用 MemorySaver 来把 state 保存到内存，下次就会基于上次的 state 继续执行。"

checkpointer-memory.mjs：带"记忆"的访问计数

import {
    Annotation, END, START,
    MemorySaver,  // 内存保存器
    StateGraph,
} from "@langchain/langgraph";

const StateAnnotation = Annotation.Root({
    visitCount: Annotation({
        reducer: (_prev, next) => next,
        default: () => 0,
    }),
    message: Annotation({
        reducer: (_prev, next) => next,
        default: () => "",
    }),
})

function recordVisit(state) {
    const visitCount = state.visitCount + 1;
    const message =
        visitCount === 1
        ? "这是你在本会话里第1次进入"
        : `这是你在本会话里第${visitCount}次进入`;
    return { visitCount, message };
}

const graph = new StateGraph(StateAnnotation)
    .addNode("recordVisit", recordVisit)
    .addEdge(START, "recordVisit")
    .addEdge("recordVisit", END)

// 关键：MemorySaver 作为检查点
const checkpointer = new MemorySaver();
const app = graph.compile({ checkpointer });

const user1 = { configurable: { thread_id: "用户-小张" }};
const user2 = { configurable: { thread_id: "用户-小李" }};

const res1 = await app.invoke({}, user1);  // 小张第1次
const res2 = await app.invoke({}, user2);  // 小李第1次
const res3 = await app.invoke({}, user1);  // 小张第2次！
const res4 = await app.invoke({}, user2);  // 小李第2次！

MemorySaver：把状态"存档"

const checkpointer = new MemorySaver();
const app = graph.compile({ checkpointer });

MemorySaver 是一个检查点（checkpointer）——每执行完一个节点，就把当前状态存起来。编译图时传进去，图就拥有了"记忆"。

没有 checkpointer：每次 invoke 都是全新的图，visitCount 从 0 开始。 有 checkpointer：每次 invoke 都能读到上次存的状态，visitCount 接着涨。

thread_id：区分不同用户的"存档槽"

const user1 = { configurable: { thread_id: "用户-小张" }};
const user2 = { configurable: { thread_id: "用户-小李" }};

thread_id 是存档槽的编号——每个用户一个槽。小张的存档和小李的存档互不干扰。

运行结果推演：

res1: 小张第1次进入，visitCount = 1   ← 存档在小张槽
res2: 小李第1次进入，visitCount = 1   ← 存档在小李槽
res3: 小张第2次进入，visitCount = 2   ← 读到小张槽的1
res4: 小李第2次进入，visitCount = 2   ← 读到小李槽的1

代码注释说：

"session 相关——会话，某人，访问次数。"

同一个图，两个用户，各自的访问次数互不串号——这就是 thread_id 的威力。多用户系统里，thread_id 就是"谁"的身份标识。

为什么要持久化？

readme 给了三个典型场景：

"agent 执行中断，失败.... 暂停，需要授权，MemorySaver 保存状态，之后继续运行。"

场景状态保存的意义
执行中断恢复后接着跑，不用从头来
失败定位到失败节点，修复后续跑
暂停 / 授权等用户批准后继续
多轮对话记住上下文，无缝衔接

readme 还提到了更高级的持久化：

"保存到数据库 sqlite，redis 持久化。"

MemorySaver 只把状态存内存——重启进程就没了。生产环境要用 SqliteSaver、RedisSaver 等——把状态存到数据库，进程重启、多机部署都不怕丢。

三、中断：过闸机时的人工开箱检查

循环和持久化都是"机器自己搞定"的，但有些场景必须停下来等人类——比如转账。readme 说的：

"harness 中断、回复。"

AI 不能自作主张把钱转出去——它需要停下来问用户："我要给张三转 $100，确认吗？"

graph-interrupt.mjs 完整演示了这个场景。

完整代码

import {
    Annotation, END, START,
    MemorySaver,
    StateGraph,
    Command,    // 命令节点
    interrupt,  // 中断节点
} from "@langchain/langgraph";
import { createInterface } from "node:readline/promises";

const StateAnnotation = Annotation.Root({
    actionSummary: Annotation({
        reducer: (_prev, next) => next,
        default: () => "",
    }),
    userInput: Annotation({
        reducer: (_prev, next) => next,
        default: () => "",
    }),
})

const showTransfer = () => ({
    actionSummary: "向张三转账 $100",
})

const waitConfirm = (state) => {
    const text = interrupt({   // 中断！等用户输入
        hint: "终端里输入[确认]或者备注后回车，图才会继续",
        actionSummary: state.actionSummary
    });
    return { userInput: String(text) }
}

const graph = new StateGraph(StateAnnotation)
    .addNode("showTransfer", showTransfer)
    .addNode("waitConfirm", waitConfirm)
    .addEdge(START, "showTransfer")
    .addEdge("showTransfer", "waitConfirm")
    .addEdge("waitConfirm", END)
    .compile({ checkpointer: new MemorySaver() })  // 中断必须配 checkpointer！

// 第一次 invoke：走到 waitConfirm 就暂停
const config = { configurable: { thread_id: "interrupt-demo" }}
const paused = await graph.invoke({}, config);
console.log("待你确认", paused.__interrupt__?.[0]?.value);

// 终端等用户输入
const rl = createInterface({ input: process.stdin, output: process.stdout });
const line = (await rl.question(">")).trim();
await rl.close();

// 用 Command 恢复执行
const done = await graph.invoke(new Command({ resume: line }), config);
console.log("done", done);

流程拆解

第一步：展示转账信息

const showTransfer = () => ({
    actionSummary: "向张三转账 $100",
})

showTransfer 节点生成转账摘要——"向张三转账 $100"。

第二步：interrupt——按下暂停键

const waitConfirm = (state) => {
    const text = interrupt({
        hint: "终端里输入[确认]或者备注后回车，图才会继续",
        actionSummary: state.actionSummary
    });
    return { userInput: String(text) }
}

interrupt() 是 LangGraph 的暂停函数——图执行到这一行会停下来，把 hint 和 actionSummary 抛给外部，然后挂起等待。

注意两个前提：

  1. 中断必须配 checkpointer——.compile({ checkpointer: new MemorySaver() })。因为中断后要恢复，恢复靠的就是检查点里存的"执行到哪了"。
  2. 中断要传信息给外部——interrupt({ hint, actionSummary })，这样外部（用户/程序）知道"它想要什么"。

第三步：外部拿到暂停信息

const paused = await graph.invoke({}, config);
console.log("待你确认", paused.__interrupt__?.[0]?.value);

第一次 invoke 返回的不是最终结果，而是暂停信号——paused.__interrupt__[0].value 里装着 interrupt() 传出的 {hint, actionSummary}。控制台打印：

待你确认 { hint: "终端里输入[确认]或者备注后回车，图才会继续", actionSummary: "向张三转账 $100" }

图停在了 waitConfirm 节点，等人类裁决。

第四步：终端等用户输入

const rl = createInterface({ input: process.stdin, output: process.stdout });
const line = (await rl.question(">")).trim();

用 Node.js 的 readline/promises 在终端等待输入——用户敲"确认"或任意备注后回车。

第五步：Command 恢复执行

const done = await graph.invoke(new Command({ resume: line }), config);

new Command({ resume: line }) 告诉图："用户说了 line，带着这句话继续跑。"图从暂停的 waitConfirm 节点恢复，interrupt() 的返回值就是用户输入的 line，存入 userInput，走向 END。

中断的价值：Human-in-the-loop

readme 说这是：

"暂停，需要授权。"

这套机制叫 Human-in-the-loop（人在回路）——机器做不了主的环节，停下来问人。经典场景：

场景AI 的行为人类的角色
转账展示金额、收款人 → 暂停确认或取消
发邮件草拟内容 → 暂停审阅后发送
删除数据提示将删除 → 暂停批准执行
代码上线准备好变更 → 暂停审核后放行

AI 负责干活，人类负责拍板。 interrupt 就是给 AI 装的一颗"刹车"——该踩的时候必须踩。

四、网状工作流的完整能力拼图

两期下来，LangGraph 的核心能力拼齐了：

能力API课堂 demo地铁比喻
状态管理Annotation.Root + reducerbasic-graph地铁卡余额
节点普通函数basic-graph站点
直线边addEdgebasic-graph轨道
条件边addConditionalEdgesconditional-routing换乘分叉
循环条件边指向自己loop-retry坐过站回头
持久化compile({checkpointer}) + thread_idcheckpointer-memory出站存档
中断interrupt() + Command(resume)graph-interrupt人工开箱检查

每个能力都是一类真实需求的解法——单 Agent 时代这些全靠自己手写，LangGraph 把它们变成了图的原生能力。

readme 开头那句总结现在可以完整理解了：

"复杂的 Agent 产品基本都是多 Agent 架构。"

"工作节点 + 组织方式（api）。简单 Agent -> 复杂多 Agent 协作。"

多 Agent 协作的地铁网，由这些基本能力铺成：状态在节点间流动（Annotation）、流程按条件分叉（conditional edges）、失败自动重试（循环）、会话记忆跨轮持久（checkpointer）、敏感操作暂停等人（interrupt）——每一个真实 Agent 产品的骨架，都是这样一张图。

五、从 LangChain 到 LangGraph：开发者视角的升级

最后站在开发者视角，对比一下两代框架的"心智模型"：

LangChain 的心智模型：管道（Pipeline）

const chain = promptTemplate.pipe(model).pipe(parser);
const result = await chain.invoke({ query: "你好" });

数据从一个模块流向另一个模块——一条直路，没有回头路，没有岔路口。 简单场景下这是优点：好懂、好写。

LangGraph 的心智模型：状态机（State Machine）

const graph = new StateGraph(StateAnnotation)
    .addNode(...)
    .addEdge(...)
    .addConditionalEdges(...)
    .compile({ checkpointer });

数据是"状态"，在节点之间流动——有岔路、有回路、有暂停、有存档。 复杂场景下这才是正确答案：分支、循环、持久化、中断，全都有原生支持。

readme 一句话总结了两者关系：

"langchain 工作流编排 线性的。langgraph 工作流编排 网状的。"

线性解决"顺序问题"，网状解决"流向问题"。 如果你的流程只是"先后做几件事"，LangChain 够了。一旦出现"如果...就...""失败了重试""停下来等确认""记住上次的状态"——请上 LangGraph。

PS：两期下来，我们从"为什么多 Agent"一路建完了 LangGraph 的地铁网——基础轨道、换乘分叉、回头路、存档点、人工闸机。下次看到一个复杂 AI 产品（比如 AutoGen 的法庭辩论、多 Agent 编程团队），别慌——拆开看，就是一张 StateGraph：节点是各司其职的 Agent，边是任务流转的轨道，checkpointer 是它们的共同记忆。

avatar
文章
阅读
粉丝