LangGraph支持的核心设计模式及对应代码示例

以下是LangGraph支持的核心设计模式及对应代码示例，结合官方文档和最佳实践整理：

---

🔧 一、顺序执行模式（Sequential Workflow）

适用场景：线性任务流（如数据预处理→生成→输出）

from langgraph.graph import StateGraph
from typing import TypedDict

# 🚀 定义状态结构
class ArticleState(TypedDict):
    content: str

# 📌 节点函数
def preprocess(state: ArticleState) -> ArticleState:
    state["content"] = "预处理后的文本"
    return state

def generate(state: ArticleState) -> ArticleState:
    state["content"] += "\n生成的新内容"
    return state

# 🛠️ 构建图
workflow = StateGraph(ArticleState)
workflow.add_node("preprocess", preprocess)
workflow.add_node("generate", generate)
workflow.add_edge("preprocess", "generate")  # 顺序连接
workflow.set_entry_point("preprocess")
workflow.set_finish_point("generate")

# ▶️ 执行
app = workflow.compile()
result = app.invoke({"content": ""})
print(result["content"])

输出：

预处理后的文本
生成的新内容

💡 关键点：add_edge定义节点顺序，set_entry_point和set_finish_point标记起止。

---

🔄 二、监督模式（Supervisor-Agent）

适用场景：多智能体协作（如任务分派）

from langgraph.types import Command

class State(TypedDict):
    task: str
    result: str

def supervisor(state: State) -> Command:
    if "数据分析" in state["task"]:
        return Command(goto="data_agent")  # 路由到数据分析Agent
    return Command(goto="default_agent")

def data_agent(state: State) -> State:
    state["result"] = "分析完成"
    return state

workflow = StateGraph(State)
workflow.add_node("supervisor", supervisor)
workflow.add_node("data_agent", data_agent)
workflow.add_conditional_edges("supervisor", supervisor)  # 动态路由
workflow.add_edge("data_agent", END)  # 结束

⚠️ 注意：add_conditional_edges实现动态路由，Command(goto=节点名)控制跳转。

---

🧩 三、Map-Reduce模式

适用场景：并行处理列表数据（如批量生成标题）

def topic_splitter(state: State) -> list:
    return [Send("generate_title", {"topic": t}) for t in state["topics"]]

def generate_title(state: State) -> State:
    state["title"] = f"{state['topic']}的标题"
    return state

workflow = StateGraph(State)
workflow.add_node("splitter", topic_splitter)
workflow.add_node("generate_title", generate_title)
workflow.add_conditional_edges("splitter", topic_splitter)  # 分发任务
workflow.add_edge("generate_title", END)

🌟 核心：Send对象将列表拆分为独立状态，并行执行。

---

👥 四、人机协同模式（Human-in-the-loop）

适用场景：高风险操作需人工审核

from langgraph.types import interrupt

def review(state: State):
    if state["risk_level"] > 0.8:
        interrupt({"alert": "需要人工审核！"})  # 暂停流程
    return state

# 恢复执行（人工输入后）
graph.invoke(Command(resume="审核通过"))

🔒 安全机制：interrupt()暂停流程，Command(resume=)恢复。

---

💭 五、反思优化模式（Reflection）

适用场景：迭代优化输出质量

def generator(state: State) -> State:
    state["draft"] = "初稿内容"
    return state

def critic(state: State) -> State:
    if "错误" in state["draft"]:
        state["feedback"] = "需修正XX"
        return Command(goto="generator")  # 重新生成
    return Command(goto=END)

workflow.add_node("generator", generator)
workflow.add_node("critic", critic)
workflow.add_edge("generator", "critic")
workflow.add_conditional_edges("critic", critic)  # 循环优化

🔁 特点：通过条件边实现循环，直至满足质量要求。

---

📊 模式对比总结

模式	核心机制	适用场景	复杂度
顺序执行	固定节点链路	线性流程任务	⭐
监督模式	动态路由（Command）	多智能体分工	⭐⭐⭐
Map-Reduce	Send对象分发	批量并行处理	⭐⭐
人机协同	中断（interrupt）	高风险操作审核	⭐⭐
反思优化	条件循环边	迭代优化输出	⭐⭐⭐

完整代码参考：LangGraph官方示例库
提示：结合with_structured_output()可强化结构化输出能力（见的JSON模式）。