在构建复杂的AI应用时，LangGraph作为一个强大的工具，为我们提供了灵活的图结构程序设计能力。今天，我们将深入探讨LangGraph中的一个关键特性：流式响应模式。这个特性不仅能提高应用的响应速度，还能为用户提供更加流畅的交互体验。
LangGraph中的流式响应：与传统LLM有何不同？
在LangGraph中，编译后的图程序本质上是一个Runnable可运行组件。与传统的大语言模型（LLM）不同，LangGraph支持多种流式模式输出。传统LLM的流式模式通常是一个词一个词地输出，而LangGraph的流式响应每次输出的是一个节点的数据状态。这种设计为我们提供了更细粒度的控制和更丰富的数据展示方式。
两种基本的流式模式
LangGraph提供了两种主要的流式响应模式，每种模式都有其特定的使用场景：
-
values模式：
- 返回图的完整状态值（总量）
- 每个节点调用后，返回图的完整状态
- 适用于需要随时了解整个图状态的场景
-
updates模式：
- 返回图的状态更新（增量）
- 每个节点调用后，只返回状态的变化部分
- 适用于只关注变化部分，或需要节省带宽的场景
如何使用流式模式？
使用流式模式非常简单。在调用stream()函数时，只需传递stream_mode参数即可配置不同的流式响应模式。让我们以ReACT智能体为例，来看看如何使用这两种模式：
# values模式示例"messages""human""2024年北京半程马拉松的前3名成绩是多少?"forin"values"print"messages"1# updates模式示例 forin"updates"print
在values模式下，每次输出都是完整的数据状态。而在updates模式下，返回的是字典格式的增量数据，键为节点名称，值为状态的更新。
当前限制与未来展望
虽然LangGraph的流式响应机制已经为我们提供了强大的功能，但它仍然存在一些限制。目前，虽然我们可以正确获取每个节点的数据，但等待时间仍然较长，特别是涉及大语言模型的节点。这是因为节点本身也应该支持流式输出。理想情况下，大语言模型节点在图的流式输出下应该保持其固有的流式特性，而不是等待完整输出后再返回。
理想的Agent输出方式
市面上常见的Agent系统（如Coze、Dify、智谱、GPTs等）采用了更优的方案：每个步骤（如知识库检索、工具调用、LLM生成内容）完成后立即流式返回。这种方式能够提供更快的响应速度和更好的用户体验。
Agent 执行了几个步骤：知识库检索、工具调用、LLM生成内容，当每个步骤完成之后都会流式返回内容给前端，并且在一些相对耗时的步骤，例如 LLM生成内容 也在该步骤内进行了流式输出，这样可以避免用户亦或者 API 接口长时间没有响应导致连接中断，也能提升用户体验。
结语
LangGraph的流式响应机制为我们构建高效、响应迅速的AI应用提供了强大的工具。通过合理利用values和updates两种模式，我们可以根据具体需求优化应用的性能和用户体验。虽然当前还存在一些限制，但随着技术的不断发展，我们可以期待LangGraph在未来提供更加完善和高效的流式处理能力。
在实际应用中，建议开发者根据具体场景选择合适的流式模式，并持续关注LangGraph的更新，以便利用最新的特性来优化您的AI应用。
大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？
答案当然是这样，大模型必然是新风口！
那如何学习大模型 ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。但是具体到个人，只能说是：
最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
但现在很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习路线完善出来！
在这个版本当中：
您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型路线+学习教程已经给大家整理并打包分享出来, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
一、大模型经典书籍（免费分享）
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套大模型报告（免费分享）
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、大模型系列视频教程（免费分享）
四、2025最新大模型学习路线（免费分享）
我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取
782
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
