LangGraph:构建复杂AI智能体,入门与实战示例
摘要:LangChain生态里的LangGraph是专门用来构建循环、多步骤、带状态AI智能体的库,区别于简单链式调用,它支持图结构、状态持久化、分支跳转,本文带你快速认识LangGraph核心组件,并通过可运行示例上手基础用法。
前言
我们平时使用 LangChain 的 Chain 大多是单向线性执行:A→B→C,执行完就结束。但真实业务中很多AI场景并不是简单线性流程:
- AI需要多次思考、循环调用工具
- 根据结果做分支判断,不同输出走不同逻辑
- 需要全程保存对话状态、中间结果,支持回滚、断点续跑
LangGraph 应运而生,它基于图模型构建AI应用,允许节点循环、条件分支、状态传递,非常适合开发Agent智能体。
一、什么是 LangGraph
LangGraph 是 LangChain 官方推出的图编排库,核心思想把业务流程抽象成一张图:
- 把每一个执行单元定义为节点(Node)
- 节点之间通过**边(Edge)**连接,定义流转路径
- 全程维护一个共享状态(State) ,所有节点读写这份状态
- 支持普通边和条件边,实现if‑else分支逻辑
- 支持循环,节点可以反复执行,这是普通Chain做不到的
核心能力小结:状态管理、分支判断、循环执行、断点持久化,专门面向Agent复杂工作流。
二、LangGraph 核心基础组件
1. State 状态
整个图的全局存储,所有节点共享读写。一般用TypedDict定义状态结构,保存输入、输出、中间变量、历史消息等。图每一步执行都会修改State。
2. Node 节点
图中的一个个执行函数,接收state作为入参,处理业务逻辑,返回更新后的state字段。可以是大模型调用、工具调用、自定义业务逻辑。
3. Edge 边
定义节点流转关系。
- 普通边:固定从A节点直接走到B节点
- 条件边:根据state里面的数据,动态决定下一个要执行哪个节点,实现分支
4. Graph(StateGraph)
图构建器,我们往里面添加节点、添加边,最后编译得到可执行的应用。
5. CompiledGraph 编译后的图
调用compile()之后得到运行实例,可以传入输入执行图流程。
三、环境准备
安装依赖
pip install langgraph langchain langchain-openai python-dotenv
四、完整可运行示例:简单问答分支Agent
这个例子实现逻辑:
- 用户输入问题进入图状态
- 节点1:调用大模型生成回答思路
- 条件判断:如果问题长度大于10个字,走“二次润色”节点;否则直接输出结果
- 最后结束图流程
from typing import TypedDict
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
import os
load_dotenv()
# ---------------------- 1. 定义全局State状态 ----------------------
class AgentState(TypedDict):
user_query: str # 用户提问
raw_answer: str # 模型原始回答
final_answer: str # 最终输出结果
# ---------------------- 2. 初始化大模型 ----------------------
llm = ChatOpenAI(
api_key=os.getenv("OPENAI_API_KEY"),
base_url=os.getenv("OPENAI_BASE_URL"),
model="gpt‑3.5‑turbo"
)
# ---------------------- 3. 定义各个Node节点函数 ----------------------
def llm_think_node(state: AgentState):
"""节点:大模型初次思考回答"""
resp = llm.invoke(f"请简单回答问题:{state['user_query']}")
return {"raw_answer": resp.content}
def polish_node(state: AgentState):
"""节点:润色长问题的回答"""
prompt = f"把下面这段回答润色通顺简洁:{state['raw_answer']}"
resp = llm.invoke(prompt)
return {"final_answer": resp.content}
def direct_output_node(state: AgentState):
"""节点:短问题直接输出原始答案"""
return {"final_answer": state["raw_answer"]}
# ---------------------- 4. 条件路由函数(用于条件边) ----------------------
def route_by_query_len(state: AgentState):
"""根据用户问题长度,返回下一个节点名字"""
query = state["user_query"]
if len(query) > 10:
return "polish"
else:
return "direct_output"
# ---------------------- 5. 构建StateGraph图 ----------------------
builder = StateGraph(AgentState)
# 添加节点
builder.add_node("think", llm_think_node)
builder.add_node("polish", polish_node)
builder.add_node("direct_output", direct_output_node)
# 设置入口节点:从think开始执行
builder.set_entry_point("think")
# 添加条件边:think执行完,执行路由判断跳转到不同节点
builder.add_conditional_edges(
source="think",
path=route_by_query_len,
path_map={
"polish": "polish",
"direct_output": "direct_output"
}
)
# 两个处理节点完成后都走到END结束
builder.add_edge("polish", END)
builder.add_edge("direct_output", END)
# 编译图
graph = builder.compile()
# ---------------------- 6. 运行测试 ----------------------
if __name__ == "__main__":
# 测试1:短问题
result1 = graph.invoke({"user_query": "什么是AI?"})
print("【短问题输出】", result1["final_answer"])
print("-"*50)
# 测试2:长问题,会触发润色分支
result2 = graph.invoke({"user_query": "请解释LangGraph和普通LangChain的Chain之间到底有什么核心区别"})
print("【长问题输出】", result2["final_answer"])
代码运行说明
- 项目根目录创建
.env填入你的大模型key和接口地址
OPENAI_API_KEY=sk‑xxx
OPENAI_BASE_URL=https://xxx/v1
- 执行脚本,长问题自动走润色节点,短问题直接输出,直观看到条件分支效果。
五、扩展:实现简单循环
LangGraph最大亮点是支持循环。我们修改逻辑:如果回答内容太短,重新调用模型再次生成,直到满足条件。
关键:边可以重新指向已经执行过的节点,形成循环。
# 新增路由函数
def route_answer_length(state: AgentState):
ans = state["raw_answer"]
if len(ans) < 30:
# 回答太短,重新走思考节点循环
return "rethink"
else:
return "finish"
# 图部分修改
builder.add_conditional_edges(
source="think",
path=route_answer_length,
path_map={
"rethink": "think", # 循环回到think节点
"finish": "direct_output"
}
)
⚠️注意:循环一定要设计退出条件,否则会无限死循环。
六、适用场景总结
✅ 适合使用LangGraph场景:
- 需要工具调用、自我反思的AI Agent智能体
- 多分支、if‑else不同业务逻辑
- 需要循环迭代思考的任务
- 需要保存中间状态,支持断点恢复 ❌ 简单线性问答,直接LangChain Chain就足够,不需要上LangGraph。
七、小结
LangGraph把AI流程从线性链条升级为图模型。掌握四个核心组件State、Node、Edge、StateGraph,就可以编排复杂Agent工作流。本文示例演示了状态定义、节点编写、条件分支、循环基础能力,你可以基于这个模板继续扩展工具调用、多轮对话、记忆持久化等高级功能。
后续还可以深入学习:记忆持久化checkpointer、子图SubGraph、多Agent协作等高级特性。