解锁 LangGraph：通过 3 个迷你程序学习图编程的基本思想

LangGraph 是一种将任务流程模块化的编程框架，通过状态图（StateGraph）构建灵活且高效的智能对话系统。本篇文章将通过 3 个迷你程序逐步深入 LangGraph 的图编程核心思想，帮助您快速上手并了解其实际应用潜力，初步了解 Agent 工作流控制的方法。

---

1. LangGraph 简介

LangGraph 是一种基于图的编程框架，用于组织和管理复杂任务的工作流。它的核心思想是将任务分解为“节点”（Node），并通过“边”（Edge）定义这些节点之间的逻辑关系。
相比于传统的线性流程控制，LangGraph 的图结构更适合处理动态任务分支、多任务协作等复杂场景。

主要优势包括：

• 模块化设计：任务逻辑清晰且易于扩展。
• 灵活的状态管理：通过图的结构实现动态任务切换和条件处理。
• 多工具集成：支持接入外部工具和大模型（如 OpenAI 和 Google Gemini）。

---

2. 为什么选择 LangGraph？

在传统的对话系统中，开发者常常面临以下挑战：

1. 任务分支逻辑复杂，难以维护；
2. 多工具协作的集成成本高；
3. 大规模上下文处理缺乏高效解决方案。

LangGraph 则通过状态图和内存管理等特性，解决了这些痛点。例如，LangGraph 支持通过条件逻辑选择合适的工具或模型，同时保留会话上下文，显著提升开发效率。

---

3. LangGraph 编程的 6 个基本步骤

1. 定义任务的状态结构（State）。
2. 创建各任务逻辑的节点函数（Node）。
3. 初始化任务的状态图（StateGraph）。
4. 定义节点之间的连接关系（Edge）。
5. 添加内存管理或条件处理（可选）。
6. 编译图并运行任务流。

---

4. 通过 3 个迷你程序掌握 LangGraph

以下我们设计了 3 个渐进式的迷你程序，涵盖基础对话、上下文记忆和工具调用等核心功能。

---

4.1 程序一：基础对话系统

目标：实现一个简单的聊天机器人，处理用户输入并返回回复。

from typing import Annotated, TypedDict
from langgraph.graph import StateGraph, START
from langgraph.graph.message import add_messages
from llm_utils import get_llm

# 定义状态类型
class State(TypedDict):
    messages: Annotated[list, add_messages]

def chatbot(state: State):
    """简单聊天机器人"""
    llm = get_llm()
    return {
   
   "messages": [llm.invoke(state["messages"])]}

# 创建并编译图
graph = (
    StateGraph(State)
    .add_node("chatbot", chatbot)
    .add_edge(START, "chatbot")
    .compile()
)

def chat():
    """运行聊天界面"""
    while True:
        user_input = input("User: ")
        if user_input.lower() in ["quit", "exit", "q"]:
            print