从单智能体到多智能体都离不开的基础：深入理解LangGraph状态流转

最新推荐文章于 2025-12-05 18:52:47 发布

原创最新推荐文章于 2025-12-05 18:52:47 发布 · 791 阅读

23 ·

CC 4.0 BY-SA版权

文章标签：

#数据库 #java #开发语言 #深度学习 #prompt #人工智能 #ai

昨天发了单智能体的文章后，不少朋友留言说有些基础概念不太清楚，比如State到底是什么、节点之间怎么传递数据、为什么要用TypedDict等等。今天咱们就把这些知识点彻底讲透，保证你看完就能上手写代码。

说实话，我刚学LangGraph的时候也是一头雾水。什么State、Node、Edge，听着挺玄乎的。但真正理解了State的运作机制后，突然就开窍了——原来整个框架就是围绕"状态"这个核心在转。无论是单智能体还是多智能体这些都是基础。

一、先把环境准备好

咱们先把开发环境搞定，后面代码都能直接跑起来。打开终端，依次执行：

# 安装核心包

创建一个langgraph_demo.py文件，把API Key配置好：

import os

好了，准备工作完成。接下来进入正题。

二、State到底是个啥？

很多教程上来就讲概念，我换个思路。咱们先看一个实际场景：

假设你要做一个简单的计算器程序，流程是这样的：

用户输入一个数字，比如10
第一步：给这个数字加1
第二步：用上一步的结果减2
最后输出结果

传统写法可能是这样：

defcalculator(x):

这没问题，但如果流程复杂了呢？比如有10个步骤，每个步骤可能用到前面多个结果，代码就会很乱。

LangGraph的解决方案是：用一个共享的"状态"（State）来存储所有中间结果。每个处理步骤只需要：

读取State中需要的数据
处理完后，把结果写回State
不用管其他步骤的数据

这就是State的核心思想：一个在整个流程中共享的数据容器。

三、第一个例子：用字典做State

咱们把刚才的计算器用LangGraph实现一遍。完整代码如下，每行都加了注释：

from langgraph.graph import StateGraph, START, END

运行这段代码，你会看到：

加法节点收到的state: {‘x’: 10}
减法节点收到的state: {‘x’: 11}

最终状态: {‘x’: 11, ‘y’: 9}

看到了吗？关键点来了：

addition节点只返回了{"x": 11}，但y没有丢
subtraction节点返回了{"y": 9}，x也还在
最终状态包含了所有的更新

这就是LangGraph的魔法：节点只需要返回它要更新的部分，其他数据会自动保留。

看看图长什么样

代码能跑是一回事，理解结构又是另一回事。咱们把这个图可视化出来：

from IPython.display import Image, display

你会看到一个流程图，清楚地显示了节点的连接关系。开发的时候这个功能特别有用，能一眼看出逻辑对不对。

四、进阶：用TypedDict让代码更严谨

用字典虽然灵活，但有个大问题：如果你不小心写错了key的名字，程序运行到那里才会报错。

比如这样：

defbuggy_function(state):

用了TypedDict后，IDE会给你代码提示，写错了key名编辑器就会提醒你。虽然代码多了几行，但避免了很多低级错误。

五、Reducer：状态更新的幕后功臣

现在来解答一个关键问题：为什么节点只返回部分数据，State就能自动合并？

答案是Reducer函数。每个State的key背后都有一个Reducer，默认行为是"覆盖"。我画个图帮你理解：

当前State: {“x”: 10}
节点返回: {“x”: 11}
Reducer执行: 把x从10改成11
结果State: {“x”: 11}

当前State: {“x”: 11}
节点返回: {“y”: 9}
Reducer执行: x不变，新增y
结果State: {“x”: 11, “y”: 9}

默认的Reducer很简单，就是更新或新增。但我们可以自定义更复杂的行为。

六、实战：维护消息列表

聊天机器人需要记住对话历史，每次都要往消息列表里追加新消息。如果用默认的Reducer（覆盖），每次都会丢失之前的对话。

这时候就需要operator.add这个Reducer：

import operator

运行结果：

node2收到的消息: [{'role': 'user', 'content': '你好'}]

看到了吗？用了operator.add之后，每次返回的消息列表会追加到现有列表中，而不是覆盖。这就是Reducer的威力。

七、接入真实的AI模型

铺垫了这么多，终于到激动人心的部分了——接入GPT做一个真正能聊天的机器人！

完整代码如下，建议你创建一个新文件chatbot.py：

import os

运行这段代码，你就有了一个能对话的AI助手！

不过这个版本有个问题：每次对话都是独立的，没有记忆。要实现带记忆的版本，需要这样改：

defchat_with_memory():

现在你可以这样聊：

你: 我叫小明
AI: 你好小明！很高兴认识你…

你: 我刚才说我叫什么？
AI: 你刚才说你叫小明。

看，AI能记住之前的对话了！

八、add_messages的秘密

可能你注意到了，我们用的是add_messages而不是operator.add。这两个有什么区别？

operator.add很简单粗暴：直接把两个列表拼起来。

add_messages更聪明：

每条消息都有唯一ID
如果新消息的ID和已有消息相同，就更新那条消息
如果ID不同，就追加新消息

看个例子：

from langgraph.graph.message import add_messages

这个特性在人机协作场景特别有用。比如用户可以修改AI的回复，然后继续对话。

九、源码解析：add_messages是怎么实现的？

有些同学喜欢刨根问底，咱们快速过一下核心逻辑（不想看可以跳过）：

defadd_messages(left, right):

核心就是用ID来判断是更新还是追加。简单但很实用。

十、完整项目：支持多轮对话的智能助手

最后把所有知识点整合一下，做个功能完整的聊天助手：

import os

这个版本包含了：

✅ 完整的对话历史管理
✅ 系统提示词设置
✅ 异常处理
✅ 友好的交互界面

直接运行就能用！

十一、常见问题答疑

Q1: State可以存储什么类型的数据？

A: 理论上任何Python对象都行：字典、列表、自定义类、甚至函数。但建议用简单的数据结构，方便序列化和持久化。

Q2: 节点函数可以不返回任何东西吗？

A: 可以。如果节点只是做一些副作用操作（比如打印日志），可以返回空字典{}或者None。

Q3: 怎么调试State的变化？

A: 在每个节点函数里加print(state)，就能看到每一步State的变化情况。

Q4: TypedDict是必须的吗？

A: 不是必须的，但强烈推荐。它能帮你在开发阶段就发现很多类型错误。

Q5: 对话历史会越来越长，怎么办？

A: 这是个好问题。可以定期裁剪历史，只保留最近N条消息。或者用摘要技术压缩历史信息。后面的文章会详细讲。

十二、总结

今天我们深入学习了LangGraph的核心——State管理：

State是什么：在整个流程中共享的数据容器
基本用法：节点读取State，处理后返回更新的部分
TypedDict：让代码更严谨，避免运行时错误
Reducer机制：控制State的更新方式（覆盖、追加等）
add_messages：智能管理消息列表的专用Reducer
实战应用：构建带记忆的聊天机器人

掌握了这些，你就能灵活构建各种LangGraph应用了。

可能大家都想学习AI大模型技术，也_想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习_，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。
为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和MoPaaS魔泊云联合梳理打造了系统大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

在这里插入图片描述

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

在这里插入图片描述

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

在这里插入图片描述

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

在这里插入图片描述

【AI 大模型面试题】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

【640套 AI 大模型行业研究报告】

在这里插入图片描述

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

👇👇点击下方卡片链接免费领取全部内容👇👇

在这里插入图片描述

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

在这里插入图片描述

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

本资料由我与MoPaaS魔泊云的鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：
- 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
- 拥有多项中美发明专利。
- 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。
目前，我有幸与鲁博士共同进行人工智能相关研究。

在这里插入图片描述

内容实用，循序渐进：

资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。
包含丰富的视频教程与实战项目案例，强调动手实践能力。
无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。

抓住机遇，开启你的AI学习之旅！

在这里插入图片描述