langgraph使用尝试

原创于 2025-12-01 10:41:05 发布 · 167 阅读

CC 4.0 BY-SA版权

文章标签：

一.什么是langgraph

langgraph 是 LangChain 生态中用于构建状态 ful、多步骤、分支化 AI 工作流的图结构引擎，核心是通过 “节点” 和 “边” 的组合，实现复杂任务的自动化编排，比如智能体（Agent）的决策流程、多工具协同、RAG 检索链等场景。

二.核心概念

概念	作用
节点（Node）	工作流的执行单元，可是函数、LLM 调用、工具调用等，输入 / 输出为 “状态（State）”。
边（Edge）	节点间的流转规则，支持无条件跳转或条件分支（如 `if-else` 逻辑）。
状态（State）	全局共享的数据存储（字典或自定义对象），存储任务输入、中间结果、节点输出等。
图（Graph）	由节点和边组成的完整工作流，支持循环、并行、分支等复杂逻辑。

三.核心特性

图结构编排：用节点拆分任务，用边定义流程，支持灵活的分支（条件判断）、循环（重复执行）、并行（多节点同时运行）。
状态管理：全局状态贯穿整个工作流，节点可读取 / 修改状态，无需手动传递参数。
兼容性强：无缝集成 LangChain 的 LLM、工具、RAG 组件，也支持自定义函数作为节点。
可视化调试：可导出工作流为 Mermaid 图，直观查看节点关系和执行路径。

四.使用尝试

1.构建基础python工程，安装

pip install langgraph

2.引入demo依赖包

import sys
import io
# 设置标准输出编码为UTF-8，解决Windows中文乱码问题
if sys.platform == 'win32':
    sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')
    sys.stderr = io.TextIOWrapper(sys.stderr.buffer, encoding='utf-8')

from IPython.display import Image, display
from langgraph.constants import START, END
from langgraph.graph import StateGraph
from langgraph.graph.state import CompiledStateGraph
from typing_extensions import TypedDict
import threading
import time
from apscheduler.schedulers.blocking import BlockingScheduler

3.定义状态类（节点之间传递信息使用）

# 1. 定义状态
class EventState(TypedDict):

    count_status: int  #累计计数状态
    is_end: bool  # 是否结束

4.定义节点函数

def first_node(state: EventState) -> EventState:

    state["count_status"] += 1

    print("当前计数状态：", state["count_status"])

    if state["count_status"] >= 100:
        state["is_end"] = True

    return state

def second_node(state: EventState) -> EventState:

    state["count_status"] += 2

    print("当前计数状态：", state["count_status"])

    if state["count_status"] >= 100:
        state["is_end"] = True

    return state

def third_node(state: EventState) -> EventState:

    state["count_status"] += 3

    print("当前计数状态：", state["count_status"])

    if state["count_status"] >= 100:
        state["is_end"] = True

    return state

5.定义判断函数（用作图的判断分支）

def should_continue(state):
    # state 是当前工作流的状态（字典或自定义对象）
    if state["is_end"]:
        return "finish"  # 如果结束，返回finish
    else:
        return "continue"

6.定义图

    # 创建事件流
    graph = StateGraph(EventState)
    graph.add_node("first_node", first_node)
    graph.add_node("second_node", second_node)
    graph.add_node("third_node", third_node)
    graph.add_edge(START, "first_node")

    graph.add_conditional_edges(
        "first_node",  
        should_continue,  # 判断函数
        {
            "continue": "second_node",
            "finish": END, 
        })

    graph.add_conditional_edges(
        "second_node",  
        should_continue,  # 判断函数
        {
            "continue": "third_node",
            "finish": END, 
        })


    graph.add_conditional_edges(
    "third_node",  
    should_continue,  # 判断函数
    {
        "continue": "first_node",
        "finish": END, 
    })

7.图的运行结构如下

8.运行

print("开始执行事件流")

# 初始化状态
state = {"count_status": 0, "is_end": False}

graph = graph.compile()

graph.invoke(state, config={"recursion_limit": 200})

9.运行结果如下：

五.结论

大家发现我们通过langgraph可以非常方便地创建智能体工作流，相对dify等工具更加智能化，动态化。