多智能体框架中两种图StateGraph和MessageGraph的对比分析

最新推荐文章于 2025-07-26 12:32:34 发布

Allen正心正念2025

最新推荐文章于 2025-07-26 12:32:34 发布

阅读量934

点赞数 6

CC 4.0 BY-SA版权

文章标签：人工智能 langchain

本文链接：https://blog.csdn.net/qq_54655817/article/details/148850776

LangGraph框架中的StateGraph和MessageGraph是两种核心的图模型类，它们在状态管理、适用场景和实现原理上存在显著差异。以下从区别、原理和实例三方面进行详细对比：

一、核心区别

状态结构的灵活性
- StateGraph：
  由用户定义的 状态对象（State） 参数化，支持自定义状态结构。例如，状态可以包含多个字段（如messages、context等），每个字段的更新通过reducer函数控制。

示例：

from typing import TypedDict
class State(TypedDict):
    messages: Annotated[list[AnyMessage], add_messages]
    context: dict

这里messages字段通过add_messages函数追加新消息，而context字段可自定义更新逻辑。

MessageGraph：
状态默认为消息列表（List[BaseMessage]），仅适用于对话场景。其状态更新完全依赖于add_messages函数，无法扩展其他字段。

适用场景
- StateGraph：
  适合需要复杂状态管理的场景，例如多步骤任务流程、多智能体协作、需要持久化上下文的系统（如游戏、机器人控制）。

示例：
```
from langgraph.graph import StateGraph
graph = StateGraph(AgentState)  # 自定义状态类
```
- MessageGraph：
  专为对话系统设计，简化消息传递逻辑。例如聊天机器人、客服系统等，通过消息列表维护对话历史。

代码复杂度
- StateGraph：
  需要显式定义状态结构和reducer函数，灵活性高但配置复杂。
- MessageGraph：
  自动管理消息列表，代码简洁但功能受限。

二、原理对比

StateGraph的原理
- 状态定义：
  通过TypedDict或Pydantic模型定义状态结构，例如：
```
class AgentState(TypedDict):
    input: str
    response: str
```
- 状态更新：
  每个节点接收状态并返回更新后的状态，通过reducer函数控制字段更新。例如：
```
def generate_response(state):
    return {"response": llm.invoke([HumanMessage(content=state["input"])])}
```
- 边的逻辑：
  边决定节点之间的跳转逻辑，支持条件边（add_conditional_edges）。
MessageGraph的原理
- 状态定义：
  状态默认为MessagesState，仅包含messages字段（List[BaseMessage]）：
```
class MessagesState(TypedDict):
    messages: Annotated[list[AnyMessage], add_messages]
```
- 状态更新：
  所有节点操作直接作用于messages列表，使用add_messages函数追加消息。例如：
```
def chatbot_node(state):
    return [("assistant", "Hello!")]
```
- 边的逻辑：
  边基于消息内容决定跳转，例如根据用户输入选择下一个节点。

三、实例对比

1. 对话系统（MessageGraph）

场景：构建一个简单的聊天机器人，用户输入“Hi”，返回“Hello”。

代码：

from langgraph.graph.message import MessageGraph
from langchain_core.messages import HumanMessage

builder = MessageGraph()
builder.add_node("chatbot", lambda state: [("assistant", "Hello!")])
builder.set_entry_point("chatbot")
builder.compile().invoke([HumanMessage(content="Hi")])

特点：
直接操作messages列表，无需自定义状态结构。

2. 多步骤任务流程（StateGraph）

场景：用户请求“查找最新AI论文”，需调用搜索工具和模型生成摘要。

代码：

from langgraph.graph import StateGraph
from langchain_openai import ChatOpenAI
from langchain_tools import DuckDuckGoSearchResults

class AgentState(TypedDict):
    input: str
    response: str

workflow = StateGraph(AgentState)
workflow.add_node("agent", lambda state: {"response": llm.invoke([HumanMessage(content=state["input"])])})
workflow.add_node("search", lambda state: {"response": search.invoke([HumanMessage(content=state["input"])])})
workflow.add_edge("agent", "search")
workflow.add_edge("search", END)
workflow.compile().invoke({"input": "Find latest AI paper"})