你的LangChain还在“走直线”？早过时了！LangGraph来了，让Agent学会“拐弯”和“记忆”！

原创于 2025-11-26 14:38:49 发布 · 561 阅读

16 ·

CC 4.0 BY-SA版权

文章标签：

#langchain #服务器 #算法 #人工智能 #spring #数据库 #机器人

一、Chain的限制：当固定流程遇上复杂场景

前面九篇文章，我们用Chain构建了各种应用：RAG问答、Agent工具调用、数据分析。Chain确实很强大，但它有个根本性的限制：执行路径是固定的有向无环图（DAG）。

也就是说Chain的每个步骤只能执行一次，不能回头，不能循环。流程是线性的：A → B → C → D，走完就结束。

这在很多场景下不够用。举几个实际需求：

场景1：对话确认机制
用户问：“帮我订一张明天去北京的机票”
系统查询后：“找到3个航班，请选择…”
用户：“第一个”
系统：“确认订购XX航班吗？”
用户：“确认”

这需要多轮交互，每轮都要根据用户反馈决定下一步。Chain做不到，因为它不能根据中间结果决定是继续提问还是执行订购。

场景2：迭代优化流程
让AI写一篇文章：先生成大纲 → 检查大纲质量 → 如果不满意就重新生成 → 满意后再写正文。

这个"检查-重试"的循环，Chain无法实现。

我们需要一个更灵活的框架，能支持循环、条件分支、状态记忆。这就是LangGraph诞生的原因。

二、LangGraph：打破线性的束缚

LangGraph是LangChain生态的高级框架，专门用于构建复杂的、有状态的工作流。它的核心创新是：把工作流看作一个状态机（State Machine），而不是简单的链。

三、LangGraph的核心概念

1. StateGraph（状态图）

StateGraph是LangGraph的基础，它定义了一个带状态的图结构。状态在节点间传递和更新，记录了整个执行过程的信息。


from langgraph.graph import StateGraph
from typing import TypedDict

class WorkflowState(TypedDict):
    messages: list
    user_input: str
    should_continue: bool

graph = StateGraph(WorkflowState)

状态对象可以包含任何信息：对话历史、中间结果、控制标志等。

2. Nodes（节点）

节点是执行具体任务的函数。每个节点接收当前状态，执行操作，返回更新后的状态。


def process_input(state: WorkflowState) -> WorkflowState:
    # 处理用户输入
    user_text = state["user_input"]
    # ... 处理逻辑 ...
    state["messages"].append({"role": "user", "content": user_text})
    return state

节点可以调用LLM、使用工具、执行计算，做任何你需要的操作。

3. Edges（边）

边定义了节点之间的连接关系。LangGraph支持两种边：

普通边（Normal Edge）：无条件跳转，执行完A必然跳到B。


graph.add_edge("node_a", "node_b")

条件边（Conditional Edge）：根据状态内容决定跳转到哪里，这是实现分支和循环的关键。


def should_continue(state: WorkflowState) -> str:
    if state["should_continue"]:
        return "continue_chat"
    else:
        return "end_chat"

graph.add_conditional_edges(
    "check_node",
    should_continue,
    {
        "continue_chat": "llm_node",
        "end_chat": "end"
    }
)

条件函数检查状态，返回一个字符串，LangGraph根据这个字符串决定下一步走向。

四、实战：可循环的对话机器人

现在用LangGraph实现一个多轮对话机器人，它能：

记住对话历史
根据用户输入决定是继续对话还是结束
支持无限轮对话


# LangChain生态学习系列 - LangGraph循环对话示例
from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
from langchain_openai import ChatOpenAI
from langchain.schema import HumanMessage, AIMessage
import operator
# 定义状态结构
class ChatState(TypedDict):
    messages: Annotated[list, operator.add]  # 消息列表，自动追加
    user_input: str
    round_count: int
# 初始化LLM
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.7)
# 节点1：处理用户输入
def handle_user_input(state: ChatState) -> ChatState:
    user_text = state.get("user_input", "")
    return {
        "messages": [HumanMessage(content=user_text)],
        "round_count": state.get("round_count", 0) + 1
    }
# 节点2：生成AI回复
def generate_response(state: ChatState) -> ChatState:
    messages = state["messages"]
    response = llm.invoke(messages)
    return {
        "messages": [AIMessage(content=response.content)]
    }
# 条件判断：是否继续对话
def should_continue_chat(state: ChatState) -> str:
    user_input = state.get("user_input", "").lower()
    # 如果用户说再见，结束对话
    if any(word in user_input for word in ["再见", "拜拜", "结束", "quit"]):
        return "end"
    # 限制最多10轮对话（防止无限循环）
    if state.get("round_count", 0) >= 10:
        return "end"
    return "continue"
# 构建状态图
workflow = StateGraph(ChatState)
# 添加节点
workflow.add_node("process_input", handle_user_input)
workflow.add_node("generate_reply", generate_response)
# 设置入口点
workflow.set_entry_point("process_input")
# 添加边：输入处理 → 生成回复
workflow.add_edge("process_input", "generate_reply")
# 添加条件边：根据对话状态决定继续或结束
workflow.add_conditional_edges(
    "generate_reply",
    should_continue_chat,
    {
        "continue": "process_input",  # 循环回到输入处理
        "end": END  # 结束整个工作流
    }
)
# 编译图
chat_app = workflow.compile()
# 运行对话
if __name__ == "__main__":
    print("聊天机器人已启动（输入'再见'结束对话） ")
    state = {"messages": [], "user_input": "", "round_count": 0}
    while True:
        user_input = input("你: ")
        state["user_input"] = user_input
        # 执行工作流
        result = chat_app.invoke(state)
        # 获取最新的AI回复
        ai_message = result["messages"][-1]
        print(f"助手: {ai_message.content}")
        # 更新状态
        state = result
        # 检查是否结束
        if should_continue_chat(state) == "end":
            print("对话结束，再见！")
            break

五、可视化工作流结构

LangGraph支持将图结构导出为Mermaid格式，方便理解流程：


from langgraph.graph import Mermaid

# 生成Mermaid图
mermaid_code = chat_app.get_graph().draw_mermaid()
print(mermaid_code)

输出类似：

这个图清楚地展示了循环结构：generate_reply可以回到process_input。

六、LangGraph vs Chain：能力对比

特性	Chain	LangGraph
循环执行	不支持	支持
条件分支	有限支持	完全支持
状态管理	不保存	完整状态对象
回溯能力	不支持	支持
复杂度	简单	较复杂
适用场景	简单流程	复杂工作流