Langgraph小入门

最新推荐文章于 2025-10-21 09:59:02 发布
原创 最新推荐文章于 2025-10-21 09:59:02 发布 · 3.5k 阅读 · 22 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#langchain

该文章已生成可运行项目，

langgraph官方中文文档

LangGraph

不同的Agent架构赋予LLM不同程度的控制权。在一个极端情况下，路由器允许LLMLLM充当路由器从指定的一组选项中选择一个步骤，而在另一个极端情况下，完全自主的长期运行代理可以只有选择任何它希望为给定问题选择的步骤序列。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

许多Agnet框架都使用了以下一些概念：

  • 工具调用：这通常是LLM做出决策的方式
  • 采取行动：通过，LLM的输出用作操作的输入
  • 内存：可靠的系统需要了解发生的事情
  • 计划：计划步骤（显式或隐式）有助于确保LLM在做出决策时以最高保真度做出决策。

图

LangGraph 的核心是将代理工作流建模为图。您可以使用三个关键组件定义代理的行为

  1. 状态：一个共享数据结构，表示应用程序的当前快照。它可以是任何 Python 类型，但通常是 TypedDict 或 Pydantic BaseModel。
  2. 节点：Python 函数，用于编码代理的逻辑。它们以当前 状态 作为输入，执行一些计算或副作用，并返回更新后的 状态。
  3. 边：Python 函数，根据当前 状态 确定要执行的下一个 节点。它们可以是条件分支或固定转换。

通过组合 节点 和 边，您可以创建随着时间推移而演变 状态 的复杂循环工作流。但是，真正的力量来自于 LangGraph 如何管理 状态。强调一点：节点 和 边 仅仅是 Python 函数 - 它们可以包含 LLM 或普通的 Python 代码。

简而言之：节点完成工作，边指示下一步要做什么。

消息传递

在LangGraph中，图由多个节点（代表操作或任务）和连接这些节点的边组成。消息传递是图中节点之间进行通信的方式。当一个节点完成操作时，他会将结果作为一条消息，沿着连接的边发送给其他节点。接收到这些消息的节点则会使用该信息执行自己的操作，然后继续讲处理后的消息传递给下一个节点。这个过程类似于分布式系统中的通信方式。

状态图（StateGraph）

StateGraph类是使用的主要图类。它由用户定义的State对象参数化。

消息图（MessageGraph）

MessageGraph类是一种特殊图类型。MessageGraph的State仅为消息列表。除了聊天机器人外，很少使用此类，因为大多数应用程序都需要State比消息列表更复杂。

编译图

要构建图，首先定义状态，然后添加节点和边，最后编译它。

编译是一个非常简单的步骤。它对图的结构进行一些基本检查（没有孤立节点等）。它也是您可以在其中指定运行时参数的地方，例如检查点和断点。您可以通过调用 .compile 方法来编译您的图

graph = graph_builder.compile(...)

必须在使用前编译它。

State（状态）

定义图时，首先要做的就是定义图的State。State包含图的模式以及化简器函数，这些函数指定如何将更新应用于状态。State的模式将成为图中所有节点和边的输入模式，并且可以是TypedDict或Pydantic模型。所有节点都将 发出对State的更新，这些更新随后使用指定的化简器函数进行应用。

状态的模式将成为图中所有 节点 和 边 的输入模式，这意味着节点和边的所有操作都是基于这个模式的状态进行的。换句话说，图的所有组件在处理数据时都会遵循这个模式的定义。

模式

在LangGraph中，定义状态的主要方式是使用TypedDict。TypedDict是Python中的一种工具，允许为字典中的每个键指定明确类型。例如

class MyState(TypedDict):
    key1: int
    key2: str

除了TypedDict外，LangGraph也支持使用Pydantic的BaseModel来定义状态。

使用Pydantic，可以为状态中的每个字段设置默认值，并且Pydantic会自动进行类型检查和验证。

from pydantic import BaseModel

class MyState(BaseModel):
    key1: int = 0  # 默认值
    key2: str
默认的输入和输出模式

默认情况下爱，LangGraph的图会使用相同的模式来处理输入和输出，也就是说，图的输入状态结构和输出状态结构是一样的。这适用于大多数场景，因为输入和输出通常是一致的。

显式指定输入和输出模式

在某些情况下，希望图的输入模式和输出模式有所不同（例如，当图的输入和输出有不同的键，或者有些键旨在输入时有意义，而输出时不需要），则可以显式地指定不同的输入和输出模式。

多个模式的使用

  • **内部节点传递信息：**有些信息可能不需要再输入或输出时暴露给图外部，这是我们可以使用内部节点来传递这些数据，形成一种“私有状态”。

  • 不同的输入/输出模式：有时，输入模式和输出模式不完全相同。例如，图的输入可能包含很多字段，但输出可能只需要一个重要字段。通过定义不同的输入/输出模式，我们可以控制输入和输出的数据格式。

    代码讲解

    1.定义状态模式

    首先，代码定义了四个不同的状态模式 (InputState、OutputState、OverallState 和 PrivateState)，这些模式用于描述图中不同部分的状态结构。

    • InputState：包含一个键user_input，用于表示图的输入，即用户提供的输入数据。
    • OutputState：包含一个键graph_output，表示图的输出结果，图处理后的最终输出。
    • OverallState ：是图的整体状态，包含三个字段
      • foo：用来存储中间的计算结果。
      • user_input：用于记录用户输入。
      • graph_output：记录图的最终输出结果。
    • PrivateState：包含一个字段 bar，是图内部使用的私有状态，用来在节点间传递数据，不会直接暴露给外部。

    3.构建图

    • StateGraph(OverallState, input=InputState, output=OutputState)：
      • 这里初始化了一个图，定义了该图的整体状态为 OverallState，输入模式为 InputState，输出模式为 OutputState。也就是说，图将从 InputState 获取输入，并最终输出 OutputState。
    • builder.add_node(...)：这些行代码将节点函数添加到图中，节点按顺序执行：
      • node_1 处理用户输入并返回 OverallState。
      • node_2 处理 OverallState 并返回 PrivateState。
      • node_3 处理 PrivateState 并返回最终的 OutputState。
    • builder.add_edge(...)：这些行代码定义了图的执行顺序，规定了节点之间的执行顺序：
      • 图从 START 开始，先执行 node_1。
      • node_1 执行完后，结果传递给 node_2。
      • 然后执行 node_3，并在 END 节点结束。
    class InputState(TypedDict):
    user_input: str

class OutputState(TypedDict):
    graph_output: str

class OverallState(TypedDict):
    foo: str
    user_input: str
    graph_output: str

class PrivateState(TypedDict):
    bar: str

def node_1(state: InputState) -> OverallState:
    # Write to OverallState
    return {"foo": state["user_input"] + " name"}

def node_2(state: OverallState) -> PrivateState:
    # Read from OverallState, write to PrivateState
    return {"bar": state["foo"] + " is"}

def node_3(state: PrivateState) -> OutputState:
    # Read from PrivateState, write to OutputState
    return {"graph_output": state["bar"] + " Lance"}

builder = StateGraph(OverallState,input=InputState,output=OutputState)
builder.add_node("node_1", node_1)
builder.add_node("node_2", node_2)
builder.add_node("node_3", node_3)
builder.add_edge(START, "node_1")
builder.add_edge("node_1", "node_2")
builder.add_edge("node_2", "node_3")
builder.add_edge("node_3", END)

graph = builder.compile()
graph.invoke({"user_input":"My"})
{'graph_output': 'My name is Lance'}

化简器（Reducer）

化简器概念

化简器（Reducer）是用来管理状态更新的函数。它的作用是在节点返回部分状态更新时，决定如何将这些更新应用到图的整体状态。

  • 每个状态键可以有自己的化简器函数。
  • 如果没有明确指定化简器，默认行为是**覆盖（replace）**旧的值，即节点返回的更新会直接替换现有的状态值。
示例A：默认化简器

在这个例子中，没有为状态键显式指定reducer，所以会使用默认reducer，即覆盖当前状态。

from typing_extensions import TypedDict

class State(TypedDict):
    foo: int
    bar: list[str]
  • State 包含两个字段：
    • foo: 整数类型。
    • bar: 字符串列表类型。

假设输入状态为：

{
   
   "foo": 1, "bar": ["hi"]}

假设第一个节点返回：

{
   
   "foo": 2}

  • 根据默认reducer的规则，只更新foo字段.

  • 结果状态变为：

    {
     
     "foo": 2, "bar": ["hi"]}

假设第二个节点返回：

{
   
   "bar": ["bye"]}

最终状态变为：

{
   
   "foo": 2, "bar": ["bye"]}
示例B：指定化简器函数

在这个示例中，为 bar 字段指定了一个化简器函数 operator.add，这意味着更新时将执行 累加操作 而不是覆盖操作。

from typing import Annotated
from typing_extensions import TypedDict
from operator import add

class State(TypedDict):
    foo: int
    bar: Annotated[list[str], add]
  • 在这个 State 中，foo 没有化简器，因此仍然使用默认的覆盖行为。
  • bar 使用 operator.add 作为化简器，这意味着每次更新 bar 时，它会将新的列表与现有的列表 合并（通过 add）。

假设输入状态：

{
   
   "foo": 1, "bar": ["hi"]}

假设第一个节点返回：

{
   
   "foo": 2}

  • 结果状态变为

    {
     
     "foo": 2, "bar": ["hi"]}

假设第二个节点返回：

{
   
   "bar": ["bye"]}

  • 由于 bar 使用了 operator.add 作为化简器，["bye"] 将与 ["hi"] 合并。

  • 最终状态变为：

    {
     
     "foo": 2, "bar": ["hi", "bye"]}

在状态图中使用消息

1.为什么要使用消息？

LLM模型，尤其对话模型，通常接受一个消息列表作为输入。每个消息对象可能有不同的类型，比如：

  • **HumanMessage：**代表用户输入的消息。
  • **AIMessage：**代表LLM生成的响应。
  • **SystemMessage：**代表系统给出的说明或指令。

这些消息对象能够帮助模型理解对话的上下文。因此，使用消息对象列表在图中存储和管理对话历史非常有用。

2.在图状态中使用消息

在LangGraph中，可以将消息历史存储在图状态中，这样可以跟踪与LLM的交互历史。

  • **消息存储：**可以通过向图状态添加一个键（例如message），将消息对象的列表存储在其中。
  • 使用 reducer 管理消息更新：当状态更新时，reducer 函数会告诉图如何处理这些更新。如果你不指定 reducer，每次状态更新都会覆盖之前的消息列表。
    • 如果想要将新的消息追加到现有的消息列表中，可以使用 operator.add 作为 reducer，这样每次状态更新时，新消息都会追加到现有消息中。
示例代码说明
from langchain_core.messages import AnyMessage
from langgraph.graph.message import add_messages
from typing import Annotated
from typing_extensions import TypedDict

class GraphState(TypedDict):
    messages: Annotated[list[AnyMessage], add_messages]
  • GraphState：这里定义了一个 GraphState，它包含一个 messages 键，该键使用 add_messages 作为其 reducer 函数。
  • add_messages 函数：这个函数不仅可以处理消息的追加，还可以跟踪消息的唯一 ID，确保更新已经存在的消息而不是重复添加。
3.手动更新消息列表

如果你想手动更新图中的消息（例如人工干预），使用 operator.add 时会将你的更新追加到现有消息列表中，而不是覆盖。为了避免这种情况，你可以使用 add_messages 函数，它会检查消息的 ID：

  • 如果是全新的消息，它会将消息追加到列表中。
  • 如果消息已存在，它会更新该消息，而不是简单地追加。
4.序列化与反序列化

  • add_messages 函数的序列化功能：该函数还具备将消息反序列化为 LangChain 消息对象的功能，这意味着你可以以不同的格式更新消息。例如，以下两种格式都可以被图状态接受：

    {
     
     "messages": [
本文章已经生成可运行项目
最低0.47元/天 解锁文章
xnuscd
关注
LangGraph教程1：LangGraph快速入门与底层原理剖析
Cachel Wood的博客
07-19 253
摘要： LangGraph是一个基于图的框架，用于构建具有大型语言模型（LLM）的复杂代理工作流，支持循环、状态持久化和多节点协作。核心功能包括循环分支控制、状态管理、人机交互和与LangChain生态的无缝集成。其通过定义节点（计算步骤）和边（流程逻辑）实现动态任务处理，例如代理调用工具并基于结果迭代决策。示例展示了如何创建天气查询代理：初始化模型和工具后，构建状态图并编译为可执行流程，利用记忆存储（MemorySaver）实现对话上下文的持久化。LangGraph通过精细控制流和内置持久性，显著提升了代
LangGraph 快速入门
weixin_34452850的博客
06-13 983
要把大象装冰箱，总共分几步？LangGraph告诉你！
01｜Langgraph | 从入门到实战 | 基础篇
最新发布
稳稳C9的博客
10-21 1949
深入解析了LangGraph构建AI Agent的核心技术要点。从基础架构开始，详细介绍了状态机定义、图构建流程和节点类型，从简单聊天Agent到复杂财务审批系统的完整演进过程
Langgraph简介与入门
wwx0622的博客
12-04 2681
langgraph开发框架的简要介绍和快速入门
LangGraph快速入门&项目部署
Galen_xia的博客
07-27 2187
LangGraph框架核心要点总结 LangGraph是LangChain生态中的新一代Agent开发框架，采用图结构进行任务编排，相比传统链式结构更具灵活性。其核心特点包括三层API架构（底层图结构API→Agent API→预构建Agent），支持有状态循环图，并实现与LangChain的深度集成。框架提供两种主要开发方式：通过React Agent模式快速接入自定义工具（如天气查询API）或LangChain内置工具（搜索、数据库等），以及底层图结构API的精细控制。开发示例展示了3行代码创建Agen
Agent实战教程：LangGraph相关概念介绍以及快速入门
yanqianglifei的专栏
08-25 685
最近在搭建Agent，包括之前也写过一些智能体编排的流程，不过在构建项目的时候以及调研相关资源，当前发现Agent框架中LangGprah的资源是较多的，文档也比较完善，感觉又回到了之前Langchain流行的感觉。笔者花了几个小时大致把LangGraph一些基础概念包括调用快速过了一遍，后续会使用LangGraph搭建一些有趣的应用。主要参考流程来自LangGraph官方教程另外之前发过不少关于Agent的理论文章，不懂相关概念的大家也可以查看历史文章。
16 大模型学习——LangGraph1
weixin_54388827的博客
04-03 2951
LangGraph 是一个基于LangChain构建的扩展。LangGraph 是一个用于构建具有状态和多参与者应用程序的 LLM 库，它允许创建具有循环的图，这在大多数智能体架构中是必需的。LangGraph提供了对应用程序流程和状态的细粒度控制，这对于创建可靠的智能体至关重要，并且LangGraph 还内置了包括持久化对话，支持高级的人机交互和记忆功能。
【LangGraph】智能体工作流的新基石
qq_62223405的博客
05-28 1657
非线性流程、循环、分支、动态决策全部支持✅ 使用 LangGraph 的最佳时机：你构建的是对话智能体、多步骤流程、多智能体系统你需要状态追踪、循环逻辑、条件判断你希望高可控、高扩展性你具备一定 Python 编程能力，能理解工作流抽象结构❌ 你可能不适合用 LangGraph 的场景：只需要一个简单的问答接口或线性调用链项目极度敏捷快速（原型阶段）团队对状态逻辑和图结构建模掌握不熟练📌推荐组合使用：LangGraph + LangChain。
LangGraph 官方文档翻译 1 - 快速入门及示例教程（聊天、工具、记忆、人工干预、自定义状态、时间回溯）
AI工程化、开源分享、文档翻译、代码笔记
05-16 4467
LangGraph 快速入门 前提条件 1、安装依赖项 2、创建智能体 3、配置大语言模型 4、添加自定义提示 5、添加记忆功能 6、配置结构化输出 后续步骤 概述 学习 LangGraph 基础知识 构建基础聊天机器人 先决条件 1、安装软件包 2、创建 `StateGraph` 3、添加节点 配置模型 集成模型到节点 4、添加 `entry` 入口点 5、编译计算图 6、可视化图表（可选） 7、运行聊天机器人 后续步骤 添加工具 先决条件 1、安装搜索引擎 2、配置环境 3、定义工具 4、定义流程图
LangGraph
AI工程化、开源分享、文档翻译、代码笔记
04-05 2839
关于 LangGraph 安装 快速使用 与LCEL 交互 条件边 Cycles 设置工具 设置模型 定义代理状态 定义节点 定义图表 使用 流媒体 流式节点输出 流式 LLM Tokens 何时使用 操作指南 异步 流式 Tokens 持久化 人机交互 可视化图表 “时间旅行” 示例 ChatAgentExecutor：带函数调用 代理执行者 规划代理示例 反思/自我批评 多代理示例 网络研究 通过模拟评估 Chatbot 多模式示例 表链 文档 状态图 `__init__` `.add_node` `.
.LangGraph快速入门
09-28
.LangGraph快速入门
langgraph入门
xdg15294969271的博客
10-28 512
使用langgraph框架搭建一个简易agent。最近想学习一下agent相关知识，langgraph似乎挺好的，于是就来试一试。。看了官网，起核心思想是官网用的是claude的api，我这里用的OPENAI的api。输出结果为整体的代码分为，调用模型call_model，调用工具call_tool，定义工具，定义终止条件，以及定义workflow。这里主要是这个workflow，，langgraph里面核心的概念是state。
【2025最新】LangGraph从入门到精通：手把手构建AI智能体的终极指南｜保姆级代码+企业级项目实战
携梦问道的博客
02-11 2205
LangGraph是LangChain生态中用于构建复杂AI智能体的框架，支持循环、条件分支、状态持久化等特性，解决了传统Agent开发中“黑盒化”和流程控制不足的问题。其核心是通过**状态图（State Graph）**定义智能体的工作流，允许开发者精细控制每一步的执行逻辑，适合开发多智能体协作、自修复系统等场景。
LangGraph入门教程
xnuscd的博客
10-16 2835
langgraph入门
还在使用langchian创建agent智能体吗？试试LangGraph创建智能体，添加记忆功能,流式steam输出，翻译langgraph文档，langgraph中文文档。
weixin_48470176的博客
09-30 2075
>由于使用传统的langchain的AgentExecutor 构建agent没有的灵活性和控制力，langchain官方已经推荐使用langGraph来创建根据灵活易用的langGraph来创建agent，并编写了从langchian的agent迁移到langGraph的教程，可见日后使用langGraph构建agent将会作为langchain团队的重心工作之一。 >因此本项目将特地翻译LangGraph的文档，作为langgraph中文文档。
langgraph开发入门初稿——简稿
m0_46311043的博客
02-26 1601
整体还是很清晰的，整体的思路就是1.先定义agent的一些基础概念：模型，prompt模板还有用到的工具，最后创建function call格式的对话工具2.然后定义graph图中间可表示运行状态的东西：有输入，对话历史，中间步骤（工具使用情况），最后还有工具的输出3.接着定义agent：定义一个要是用什么工具的判断器，定义一个执行工具的函数，最后定义在条件边缘时的判断方法。
LangGraph：构建多代理动态工作流的开源框架，支持人工干预、循环、持久性等复杂工作流自动化
Code1994的博客
01-03 3170
作为 LangChain 生态系统的一部分，LangGraph 提供了循环、可控性和持久性等核心优势，支持定义涉及循环的流程，提供细粒度的流程和状态控制，并内置持久性功能，支持高级的人工干预和记忆功能。行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
【Agent】LangGraph入门教程：基础理论（1）
酒酿小圆子呀～
04-22 839
在遇到复杂任务时，比如第一次搜索没有找到想要的内容，我们可能需要进行第二次、第三次搜索，甚至可能需要调用网络搜索来完成。在这种情况下，顺序执行的任务（DAG）显然无法满足需求。请求方和搜索方之间需要经历多次来回沟通，请求方可能会要求搜索方根据反馈调整搜索策略，这种多次的循环沟通才能逐步逼近最终答案。
langgraph快速入门
03-13
### LangGraph 快速入门教程 LangGraph 是基于 LangChain 构建的一个扩展库，旨在利用有向图（Directed Graph）来表示任务流程。这种结构不仅能够清晰地展示各个任务步骤及其间的转换逻辑，还提供了异步执行的支持...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值