【DeepSeek实战】24、LangGraph完全指南：从入门到实战，构建复杂AI工作流-CSDN博客

本文链接：https://blog.csdn.net/RickyIT/article/details/149176095

在这里插入图片描述

引言：为什么LangGraph是AI工作流的“下一代引擎”？

当你需要构建一个能处理循环逻辑的AI客服系统——比如“用户投诉未解决时自动转人工，解决后发送满意度调查”——传统的链式框架（如LangChain基础链）会显得力不从心：它们难以实现分支跳转、状态保存和循环执行。而LangGraph的出现，正是为了解决这一痛点。

LangGraph是LangChain团队推出的AI工作流引擎，专为复杂业务逻辑设计，支持循环、分支、并行执行和状态持久化。相比传统工具，它的核心优势在于：能像“流程图”一样编排AI节点，让Agent具备“记忆”和“决策”能力。无论是多Agent协作的智能运维系统，还是带错误重试的数学解题助手，LangGraph都能轻松应对。

本文整合两大技术文档精华，从核心概念到企业级实战，全方位拆解LangGraph的使用方法，包含完整代码示例和可视化图表，助你快速掌握这一热门AI开发脚手架。

一、LangGraph核心概念：5分钟读懂工作流的“骨架”

LangGraph的本质是“状态驱动的图结构”，所有功能围绕“节点（Node）、边（Edge）、状态（State）”三大要素展开。理解这些概念，是入门的关键。

1.1 核心三要素解析

（1）State（状态）：工作流的“共享内存”

状态是跨节点传递的数据容器，类似工作流的“记忆”。它记录了流程中的关键信息（如输入、中间结果、执行步骤），并在节点间动态更新。

定义方式：用TypedDict（类型化字典）定义状态结构，明确字段和类型：

from typing import TypedDict, List

# 以数学解题工作流为例
class MathWorkflowState(TypedDict):
    problem: str  # 题目文本
    steps: List[str]  # 解题步骤
    current_answer: float  # 当前答案
    is_correct: bool  # 答案是否正确

作用：确保数据在节点间规范流转，避免混乱。例如，“分析题目”节点生成的steps，可被“计算”节点直接读取并续写。

（2）Node（节点）：工作流的“执行单元”

节点是实现具体功能的函数，接收状态作为输入，处理后返回更新后的状态。每个节点专注于一件事（如“分析题目”“调用计算器”“验证答案”）。

定义示例：

def analyze_problem(state: MathWorkflowState) -> MathWorkflowState:
    """分析题目，提取关键信息"""
    # 从状态中获取题目
    problem = state["problem"]
    # 处理逻辑：提取关键词（如“方程”“求解”）
    analysis = f"分析：题目为{
     
     problem}，需求解未知数"
    # 更新状态：添加分析步骤
    updated_steps = state["steps"] + [analysis]
    return {
   
   **state, "steps": updated_steps}  # 返回完整更新后的状态

关键点：节点必须接收state参数，并返回包含所有字段的更新后状态（用** state保留未修改的字段）。

（3）Edge（边）：工作流的“路线图”

边定义节点间的连接关系，决定“下一步执行哪个节点”。分为两种类型：

固定边：无条件跳转（如“分析题目”→“计算”）；
条件边：根据状态动态选择下一个节点（如“验证答案正确”→“输出结果”，否则→“重新计算”）。

定义示例：

# 固定边：从“分析”节点无条件跳转到“计算”节点
workflow.add_edge("analyze", "calculate")

# 条件边：根据验证结果决定下一步
def route_verify(state: MathWorkflowState) -> str:
    """根据答案是否正确返回下一个节点名称"""
    return "output_result" if state["is_correct"] else "recalculate"

workflow.add_conditional_edges(
    source="verify",  # 源节点
    condition=route_verify,  # 路由函数
    # 映射：路由函数返回值 → 目标节点
    mapping={
   
   "output_result": "output_result", "recalculate": "calculate"}
)

（4）Graph（图）：工作流的“容器”

图是节点和边的集合，通过StateGraph类构建，最终编译为可执行的工作流。

构建流程：

from langgraph.graph import StateGraph, END

# 1. 初始化图（指定状态类型）
workflow = StateGraph(MathWorkflowState)

# 2. 添加节点（name→node映射）
workflow.add_node("analyze", analyze_problem)  # 节点名→节点函数
workflow.add_node("calculate", calculate_answer)
workflow.add_node("verify", verify_answer)
workflow.add_node("output_result", output_result)

# 3. 定义边（流转关系）
workflow.set_entry_point("analyze")  # 入口节点（流程起点）
workflow.add_edge("analyze", "calculate")
workflow.add_conditional_edges("verify", route_verify, mapping)
workflow.add_edge("output_result", END)  # 结束节点

# 4. 编译为可执行工作流
app = workflow.compile()

（5）Checkpoint（检查点）：工作流的“存档点”

检查点自动保存工作流的执行状态，支持中断后恢复、重试或回溯。这对长流程（如复杂问题诊断）尤为重要。

启用方式：

from langgraph.checkpoint import MemorySaver

# 用MemorySaver保存检查点（生产环境可用Redis/数据库）
memory = MemorySaver()
app = workflow.compile(checkpointer=memory)

# 执行时指定thread_id（用于区分不同流程实例）
config = {
   
   "configurable": {
   
   "thread_id": "student_001"}}  # 学生ID作为唯一标识
app.invoke({
   
   "problem": "解方程x+5=10", "steps": [], "current_answer": None, "is_correct": False}, config=config)

# 后续可从检查点恢复执行
app.invoke(None, config=config)  # 传入None表示从上次状态继续