LangGraph 快速入門

1. LangGraph 簡介 ===============

隨着大模型技術的不斷演進，**AI Agent **成爲了大模型領域的焦點。開發者們紛紛投身其中，期望構建出能夠自主決策、靈活交互的智能體。在這片競爭激烈的技術藍海中，LangGraph 作爲從 LangChain 孵化而來的獨立平臺，迅速崛起爲 Multi-Agent 開發框架中的佼佼者。

LangGraph 基於有向無環圖（DAG）這一核心數據結構，通過節點（Node）和邊（Edge）的組合，使得開發者能夠快速地搭建起一個 Multi-Agent 系統。

對於追求高效、可靠開發的工程師們來說，LangGraph 的核心優勢在於：

• 敏捷高效：憑藉簡潔統一的開發架構，將複雜 AI Agent 開發流程標準化，降低開發門檻；開發者可快速複用節點與工作流模板，減少重複性開發工作，大幅縮短項目週期，實現從構思到落地的高效轉化 。

• 可靠性和可控性：通過審覈檢查與人工介入機制，確保智能體行動精準合規，同時能在長期工作流中保留上下文，讓智能體行動始終保持正確方向。

• 高可擴展性：開發者可擺脫固有框架束縛，使用完全描述性的底層原語自由定製智能體，輕鬆設計滿足各類需求的可擴展多智能體系統。

• 原生流式支持：支持逐個 token 流式傳輸和中間步驟流式輸出，實時呈現智能體推理過程，增強交互透明度。

從企業級複雜業務流程自動化，到創新型智能交互應用開發，LangGraph 都能成爲開發者手中的得力工具。接下來，就讓我們開啓 LangGraph 的快速入門之旅，探索其強大功能與魅力。

2. LangGraph 的核心概念 ==================

LangGrapg 有三個最核心的概念，分別是：State、Node 和 Graph ，對這幾個概念的具體理解如下：

• **State：狀態，其中記錄了智能體運行過程中的所有信息，涵蓋輸入數據、中間計算結果和最終輸出，爲智能體的持續運行提供上下文。**狀態內的參數可以在多個節點間保存和流轉，是節點間通信的核心機制。

• Node：節點，它是構成 LangGraph 的基本單元。每個 Node 可實現特定功能，例如數據處理、邏輯判斷或調用外部 API。

• Graph：Graph 就是最終的圖結構，由衆多 Node 通過特定邏輯連接而成，定義了智能體的整體工作流程，各 Node 在其中協同運作，推動 AI Agent 完成複雜任務。

3. 把大象裝進冰箱 ==========

接下來，我們通過一個例子，展示下如何使用 LangGraph 快速構建一個簡單的多步驟工作流。

相信大家一定看過趙本山和宋丹丹的經典小品《鐘點工》，裏面有這樣一段臺詞：

要把大象裝冰箱，總共分三步：第一步，把冰箱門打開；第二步，把大象裝進去；第三步，把冰箱門帶上。

首先，讓我們看看完整的實現代碼：

from IPython.display import Image, display
from langgraph.constants import START, END
from langgraph.graph import StateGraph
from langgraph.graph.state import CompiledStateGraph
from typing_extensions import TypedDict
# 1. 定義狀態
class ElephantInFridgeState(TypedDict):
    """
    定義狀態——大象在冰箱中
    狀態內的參數可以在多個節點間保存和流轉
    """
    fridge_open: bool  # 冰箱門是否打開
    elephant_inside: bool  # 大象是否在冰箱內
# 2. 定義每個步驟的處理節點
def open_fridge(state: ElephantInFridgeState) -> ElephantInFridgeState:
    """第一步: 把冰箱門打開"""
    print("正在打開冰箱門...")
    # 執行當前節點業務邏輯
    print("冰箱門已打開！")
    # 更新狀態
    state["fridge_open"] = True
    # 當前節點處理完成,更新狀態
    return state
def put_elephant(state: ElephantInFridgeState) -> ElephantInFridgeState:
    """第二步: 把大象放進去"""
    # 獲取當前狀態
    if not state["fridge_open"]:
        raise ValueError("冰箱門未打開，無法放入大象！")
    # 執行當前節點業務邏輯
    print("正在把大象放入冰箱...")
    print("大象已放入冰箱！")
    # 更新狀態
    state["elephant_inside"] = True
    # 當前節點處理完成,更新狀態
    return state
def close_fridge(state: ElephantInFridgeState) -> ElephantInFridgeState:
    """第三步: 把冰箱門帶上"""
    # 獲取當前狀態
    if not state["elephant_inside"]:
        print("警告：冰箱內沒有大象，是否確認關閉？")
    # 執行當前節點業務邏輯
    print("正在關閉冰箱門...")
    print("冰箱門已關閉！")
    # 更新狀態
    state["fridge_open"] = False
    # 當前節點處理完成,更新狀態
    return state
# 3. 構建Graph工作流圖
def build_graph() -> CompiledStateGraph:
    """構建"把大象裝冰箱"的工作流程圖"""
    # 創建圖對象StateGraph
    graph = StateGraph(ElephantInFridgeState)
    # 添加節點Node
    graph.add_node("open_fridge", open_fridge)
    graph.add_node("put_elephant", put_elephant)
    graph.add_node("close_fridge", close_fridge)
    # 添加起始邊
    graph.add_edge(START, "open_fridge")
    # 添加邊Edge,將節點連接起來,形成工作流
    graph.add_edge("open_fridge", "put_elephant")
    graph.add_edge("put_elephant", "close_fridge")
    # 添加結束邊
    graph.add_edge("close_fridge", END)
    # 返回編譯好的圖Graph
    return graph.compile()
# 4. 運行Graph工作流
def run_workflow():
    """運行"把大象裝冰箱"的工作流"""
    # 構建圖
    graph = build_graph()
    # 定義初始狀態
    initial_state = ElephantInFridgeState(fridge_open=False, elephant_inside=False)
    # 運行圖
    result = graph.invoke(initial_state)
    # 輸出最終狀態
    print("\n工作流執行完畢，最終狀態:")
    print(f"冰箱門狀態: {'打開' if result["fridge_open"] else '關閉'}")
    print(f"大象是否在冰箱內: {'是' if result["elephant_inside"] else '否'}")
    # 可視化工作流圖
    display(Image(graph.get_graph().draw_mermaid_png()))
    return result
# 執行入口
if __name__ == "__main__":
    final_state = run_workflow()

接下來，我們詳細分析下這段代碼的功能。

定義狀態類

我們首先創建了 ElephantInFridgeState 類，它繼承自 LangGraph 的 TypedDict 基類，是一種 key-value 的結構，用於管理整個工作流的狀態。這個類包含兩個 bool 類型屬性：

• fridge_open：表示冰箱門是否打開

• elephant_inside：表示大象是否在冰箱內

這些狀態變量將在各個節點之間傳遞，通過節點間的通信與協作，確保工作流的連貫性。

定義工作流節點

我們爲三個步驟分別創建了函數作爲節點：

• open_fridge：負責將冰箱門狀態設置爲打開。

• put_elephant：檢查冰箱門是否打開，並將大象放入冰箱。

• close_fridge：關閉冰箱門，並在冰箱內沒有大象時發出警告。

我們可以看到，每個節點都遵循這樣的處理範式：

1. 從狀態中獲取所需數據。

2. 執行當前節點的業務邏輯。

3. 更新狀態。

4. 返回處理後的狀態。

這種設計確保了狀態在整個工作流中的一致性和可追蹤性。

構建工作流圖

build_graph 函數負責將各個節點連接成完整的工作流：

• 創建 StateGraph 實例

• 添加三個工作步驟作爲節點

• 通過 add_edge 方法添加邊，定義節點之間的執行順序

• 添加起始邊和結束邊。這裏 START 和 END 是 LangGraph 內置的常量，分表代表圖的起始和結束節點。

這種圖結構的設計讓我們可以輕鬆定義複雜的工作流，包括條件分支、循環、回退、異步等高級特性。

運行工作流

run_workflow 函數演示瞭如何編譯和執行工作流：

• 構建圖

• 初始化狀態

• 編譯圖並執行

• 輸出最終狀態

通過這種方式，我們可以清晰地看到每個步驟的執行結果，以及整個工作流的最終狀態。

這裏我還通過可視化的方式，打印了整個圖的結構：

運行結果

最後，我們執行入口函數，就可以看到如下的效果：

這個簡單的例子展示了 LangGraph 的核心功能：通過狀態管理、節點定義和圖構建，我們可以創建複雜的工作流，每個步驟都可以獨立開發和測試，同時保持整體的一致性和可控性。

4. 小結 =====

通過對 LangGraph 的優勢解析、核心概念拆解及 “把大象裝冰箱” 的實戰演練，我們清晰看到：LangGraph 以簡潔高效的架構，將複雜 AI Agent 開發流程化繁爲簡。它通過 State、Node 和 Graph 的有機結合，賦予開發者精準掌控智能體行爲的能力，無論是基礎任務的有序推進，還是複雜場景的多智能體協作，都能從容應對。在 AI Agent 蓬勃發展的當下，LangGraph 不僅是開發者提升開發效率的利器，更爲創新應用的落地提供了堅實支撐，有望推動人工智能邁向更智能、更靈活的新階段。

本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/yvGYDAWjPb96eto08CcJ8w