2203_75550521的博客

状态就是一个 “全局字典”，但不是随便写的 —— 需要用TypedDict定义结构（确保数据类型安全）。# 输入状态：用户的问题# 输出状态：AI的回答# 整体状态：合并输入和输出，节点间共享pass这样定义后，每个节点的输入 / 输出都必须符合的结构，不会出现 “节点 A 输出result，节点 B 要读answer” 的报错。

输入：用户的问题（比如 “介绍 LangGraph”）；中间数据：LLM 生成的中文回答；输出：翻译成英文的最终回答。# 1. 输入状态：用户的问题question: str # 必传，用户输入的问题# 2. 输出状态：最终的英文回答english_answer: str # 必输，翻译后的结果# 3. 整体状态：合并输入、中间数据、输出chinese_answer: Optional[str] # 中间数据，可选（初始为None）Optional。

前三篇博客，我们做的应用都是 “线性流程”（A→B→C），但真实的 AI 系统需要 “思考”—— 比如 “用户问天气，先判断要不要调用天气 API；问常识，直接用 LLM 回答”。这就需要 LangGraph 的 “条件边”—— 让图能根据状态动态选择下一个节点。这篇我们就用条件边做一个 “智能问答系统”，再延伸到多智能体的应用。# 定义问题类型（Literal表示只能是这两个值）question: str # 用户问题。

做 AI 开发时，你是否遇到过这些问题？LangGraph 的出现正好解决这些问题 —— 它用替代传统线性 / 树状结构，把 AI 任务抽象成 “节点（计算单元）+ 边（流向逻辑）+ 状态（数据容器）” 的组合，让复杂流程的搭建变得灵活、可复用。

在当今人工智能飞速发展的时代，大语言模型（LLMs）已经成为众多领域的核心驱动力。从智能客服到内容创作，从信息检索到智能数据分析，大语言模型展现出了强大的能力。然而，直接使用大语言模型进行应用开发并非易事，需要处理诸多复杂的技术细节。这时，LangChain 应运而生，它就像是大语言模型开发的 “脚手架”，为开发者提供了一套强大的工具和框架，极大地简化了大语言模型应用的开发过程。LangChain 是一个开源的编程框架，主要用于构建与语言模型交互的应用程序，尤其是那些基于大语言模型（LLMs）的应用。它提供