目录
核心思想
从 LangChain 的局限说起
LangGraph 的解决方案
四个核心概念
1. State（状态）
2. Node（节点）
3. Edge（边）
4. Graph（图）
实际例子：带循环的检索
LangGraph vs LangChain
运行机制
为什么用图结构
总结
核心思想
LangGraph 是一个用图结构来编排 Agent 执行的框架。
为什么需要图结构？因为传统的 Agent 执行流程是黑盒——模型自己决定先做什么、后做什么。当你需要精确控制流程时（比如"先检索文档，如果不够就再检索一次，然后生成答案"），黑盒就不够用了。
LangGraph 把 Agent 拆分成节点（Node）和边（Edge），让你可以像画流程图一样设计 Agent 的执行逻辑。
从 LangChain 的局限说起
LangChain 的 Agent 工作方式是：
while True: # 1. 调用模型 response = model.invoke(messages) # 2. 模型决定是否调用工具 if response.tool_calls: tool_result = execute_tool(response.tool_calls[0]) messages.append(tool_result) else: # 3. 模型说结束就结束 break这个模型的问题在于：流程完全由模型控制。
你想实现这样的逻辑：
- 先检索文档
- 如果检索结果少于 3 篇，换个关键词再检索一次
- 然后生成答案
- 最后检查答案质量，如果不好就重新生成
这在 LangChain 里很难实现，因为你没法在流程中设置明确的检查点和分支逻辑。
LangGraph 的解决方案
LangGraph 让你显式定义流程：
START → 检索节点 → 判断节点 → 生成节点 → END ↑ │ └──────────┘每个方框是一个节点（Node），箭头是边（Edge）。节点执行具体操作，边决定执行顺序。
四个核心概念
1. State（状态）
State 是整个图共享的数据容器。所有节点都能读取和修改 State。
from typing import TypedDict class State(TypedDict): question: str # 用户问题 documents: list # 检索到的文档 answer: str # 生成的答案为什么需要 State？
因为节点之间需要传递数据。检索节点检索到的文档，需要传递给生成节点使用。State 就是这个数据传递的媒介。
设计原则：
- 只放跨节点共享的数据
- 字段名要清晰表达含义
- 不要放临时变量（临时变量应该在节点内部处理）
2. Node（节点）
节点就是一个 Python 函数，接收当前 State，返回 State 的更新。
def retrieve_node(state: State) -> dict: # 从 State 读取问题 question = state["question"] # 执行检索 docs = search_database(question) # 返回更新（只返回变化的字段） return {"documents": docs}关键点：
- 节点函数接收完整的 State
- 返回的是 State 的更新（dict），不是完整 State
- LangGraph 会自动合并多个节点的更新
3. Edge（边）
边决定节点的执行顺序。有两种类型：
普通边：固定跳转到下一个节点
graph.add_edge("retrieve_node", "generate_node")条件边：根据条件选择下一个节点
def should_continue(state: State) -> str: # 根据文档数量决定 if len(state["documents"]) < 3: return "retrieve_again" # 再去检索 else: return "generate" # 直接生成 graph.add_conditional_edges( "retrieve_node", # 从哪个节点 should_continue, # 条件函数 { "retrieve_again": "retrieve_node", "generate": "generate_node", } )4. Graph（图）
图就是节点和边的集合。定义好图之后，编译成可执行的应用。
from langgraph.graph import StateGraph, START, END # 1. 创建图 graph = StateGraph(State) # 2. 添加节点 graph.add_node("retrieve", retrieve_node) graph.add_node("generate", generate_node) # 3. 设置入口 graph.set_entry_point("retrieve") # 4. 添加边 graph.add_edge("retrieve", "generate") graph.add_edge("generate", END) # 5. 编译 app = graph.compile() # 6. 执行 result = app.invoke({"question": "什么是 LangGraph？"})实际例子：带循环的检索
假设我们要实现：检索文档，如果不够就再检索一次。
from typing import TypedDict from langgraph.graph import StateGraph, START, END class State(TypedDict): question: str documents: list attempts: int # 检索次数 def retrieve(state: State) -> dict: """检索文档""" docs = search(state["question"]) return { "documents": docs, "attempts": state.get("attempts", 0) + 1 } def check_docs(state: State) -> str: """检查文档是否足够""" if len(state["documents"]) < 3 and state["attempts"] < 2: return "need_more" else: return "enough" def generate(state: State) -> dict: """生成答案""" answer = llm.generate(state["documents"]) return {"answer": answer} # 组装图 graph = StateGraph(State) graph.add_node("retrieve", retrieve) graph.add_node("generate", generate) graph.set_entry_point("retrieve") graph.add_conditional_edges( "retrieve", check_docs, { "need_more": "retrieve", # 循环 "enough": "generate", } ) graph.add_edge("generate", END) app = graph.compile() result = app.invoke({"question": "什么是 LangGraph？"})执行流程：
- 从
retrieve节点开始，检索文档 - 执行
check_docs，如果文档少于 3 篇且检索次数少于 2 次，回到retrieve - 否则执行
generate生成答案 - 结束
LangGraph vs LangChain
需求 | LangChain | LangGraph |
简单问答机器人 | 适合 | 不太适合 |
快速原型验证 | 适合 | 配置稍多 |
复杂的流程控制 | 困难 | 原生支持 |
需要人工审批 | 需要自己实现 | 内置支持 |
多 Agent 协作 | 困难 | 轻松表达 |
状态持久化 | 需要自己实现 | 内置支持 |
选择建议：
如果你的应用只是简单的"用户提问 → Agent 回答"，用 LangChain 就够了。
如果你需要：
- 精确控制执行流程（分支、循环、并行）
- 在关键节点暂停等待人工审批
- 多个 Agent 协作完成复杂任务
- 保存和恢复执行状态
那么 LangGraph 更合适。
运行机制
LangGraph 的执行分为两个阶段：
阶段 1：定义图结构
- 定义 State（数据结构）
- 定义 Node（执行逻辑）
- 定义 Edge（流程控制）
阶段 2：编译执行
compile()把图编译成可执行的应用invoke()执行应用
编译的时候，LangGraph 会：
- 验证图结构是否完整（没有孤立节点）
- 优化执行计划
- 配置运行时参数（如 Checkpointer）
为什么用图结构
图结构有几个关键优势：
1. 可视化
图可以画出来，方便理解和调试。
START → A → B → C → END ↑ │ └────┘一看就知道：执行完 B 到 C，C 可能回到 B 形成循环。
2. 并发执行
如果节点之间没有依赖关系，可以并行执行。
┌→ A ─┐ START ─┼→ B ─┼→ END └→ C ─┘A、B、C 可以同时执行，最后汇总结果。
3. 状态管理
State 在节点之间传递和更新，天然支持状态追踪和持久化。
4. 流程控制
分支、循环、并行都是图的基本操作，不需要额外实现。
总结
LangGraph 的核心价值：把 Agent 的执行流程从黑盒变成明盒。
- State：数据容器，节点之间传递信息
- Node：执行单元，处理具体逻辑
- Edge：流程控制，决定执行顺序
- Graph：完整应用，编译后执行
