欢迎光临
我们一直在努力

LangGraph 工作流引擎底层笔记

🕸️ LangGraph 工作流引擎底层笔记 (2026版)

一、 LangGraph 的定位

如果说 LangChain 的 create_agent 是组装好的自动挡汽车(给它工具让它自己跑),那么 LangGraph 就是一套工业级流水线/状态机框架。

它赋予开发者极其精细的控制力,让你能清晰地绘制出一张包含条件分支、循环重试、多智能体交互的流程图。实际上,create_agent 底层100%也是由一张简化的 LangGraph 图构成的。


二、 图的三大核心组件 (State, Node, Edge)

1. State (状态数据)

State 是这张图生命周期内的全局共享内存,承载了数据从开始到结束的所有流转变更。它必须被定义为一个 TypedDict。

from typing import TypedDict, Annotated
from langgraph.graph import add_messages

class CustomerState(TypedDict):
# 标注了 add_messages 的字段,如果有多个节点写入,会执行 "追加操作" 而不是 "覆盖操作"
messages: Annotated[list, add_messages]

# 普通字段,后一个节点写入会覆盖前一个节点的数据
category: str # 记录分类:技术/退款/闲聊
quality_score: float # 记录文章打分

2. Node (业务节点)

Node 是定义了当前这步具体要干什么的普通 Python 函数。 标准模式:接收完整的 State 数据 -> 执行逻辑 -> 返回一个只包含需要更新字段的字典。

def classify_intent(state: CustomerState) –> dict:
user_msg = state["messages"][–1].content
return {"category": "tech"} # 通知图只更新 category 字段

3. Edge (边流向)

用来定义节点间的流转顺序规则。

  • 普通边 (Edge):固定写死,A -> B,必定走。
  • 入口/出口:指明这张图从哪里 START 进入,走向 END。
  • 条件边 (Conditional Edge):一个路由函数,根据当前 State 的内容动态跳转。

三、 五大核心路由模式架构

LangGraph 极其灵活,几乎能拟合人类处理任务的所有架构模式。

模式一:线性流水线 (Pipeline)

最简单的结构:提取数据 -> 翻译成中文 -> 总结要点 -> END。

模式二:条件分发 (Decision Tree)

用户的请求进来后,经过一个大脑裁判 Node 根据业务逻辑路由给后面的专项处理 Node(典型的多意图客服分流)。

模式三:反射与自我纠错循环 (Reflection/Self-Critique Loop)

这是保证 AI 最终输出质量最靠谱的生产级策略。 START -> 撰写节点 -> 评估节点 -> 判断边(若不够好走向 -> 修改建议节点 -> 回流撰写节点构成 Loop)

模式四:并行聚合 (Parallel Map-Reduce)

同时派发给不同源抓取,最终汇聚总结。

模式五:多 Agent 主系统 (Supervisor Delegation)

START -> 经理 Agent -> 派单写手与研发 -> 逐个回收审查 -> END。


四、 完整实战代码示例 (客服自动工单分流图)

这个示例纯手工搓一张 LangGraph,它接收一段客诉文本,第一步使用大模型对意图进行提取,第二步通过 Conditional Edge 判断进入技术支持节点或普通安抚节点。

from typing import TypedDict, Annotated, Literal
from langgraph.graph import StateGraph, START, END, add_messages
from langchain_core.messages import HumanMessage, AIMessage
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o")

# ================= 1. 定义图共享的全局数据结构 State =================
class TicketState(TypedDict):
messages: Annotated[list, add_messages]
intent: str # 记录用户的意图分类 (tech 或 other)
response: str # 最终要回复给用户的文本

# ================= 2. 定义纯函数的执行节点 (Nodes) =================
def intent_analyzer(state: TicketState) –> dict:
"""裁判节点:分析最后一条用户消息意图"""
user_msg = state["messages"][–1].content

# 强制让大模型以特定词汇返回分类
result = llm.invoke([
{"role": "system", "content": "将客诉分为两类:涉及软件报错、闪退、硬件故障返回 'tech',其余的退款、辱骂、闲聊返回 'other'。只输出英文单字。"},
{"role": "user", "content": user_msg}
])
category = result.content.strip().lower()
return {"intent": category} # 写入状态

def handle_tech_issue(state: TicketState) –> dict:
"""专职技术客服节点"""
response = llm.invoke([
{"role": "system", "content": "你是高级运维工程师,请给出详细的排障命令或方案。"},
{"role": "user", "content": state["messages"][–1].content}
])
return {"response": response.content} # 写入最终回复给状态

def handle_other_issue(state: TicketState) –> dict:
"""普通在线客服节点"""
response = llm.invoke([
{"role": "system", "content": "你是情感安抚客服,请用官方且柔和的口吻先道歉然后记录工单。"},
{"role": "user", "content": state["messages"][–1].content}
])
return {"response": response.content} # 写入最终回复给状态

# ================= 3. 定义图内的条件动态路牌 (Conditional Edge) =================
def route_to_handler(state: TicketState) –> Literal["handle_tech_issue", "handle_other_issue"]:
if state["intent"] == "tech":
return "handle_tech_issue"
return "handle_other_issue"

# ================= 4. 组装整张图 (Build Graph) =================
graph = StateGraph(TicketState)

# 先把定义好的三个动作挂载进图网络
graph.add_node("intent_analyzer", intent_analyzer)
graph.add_node("handle_tech_issue", handle_tech_issue)
graph.add_node("handle_other_issue", handle_other_issue)

# 告诉图开始节点是意图分析
graph.add_edge(START, "intent_analyzer")

# 从意图分析节点开始,加一个条件判断路牌接下来的走向
graph.add_conditional_edges("intent_analyzer", route_to_handler)

# 无论最后走了哪个子处理客服,完事后全部拉回大门 END 结束本次执行
graph.add_edge("handle_tech_issue", END)
graph.add_edge("handle_other_issue", END)

# 编译成可运行应用
app = graph.compile()

# ================= 5. 测试运行 =================
def submit_ticket(query: str):
print(f"\\n[用户工单]: {query}")
result = app.invoke({"messages": [HumanMessage(content=query)]})
print(f"-> 判决流向: 被分发到了 [{result['intent']}] 客服")
print(f"-> 客服回复: {result['response']}")

# 测试用例 1 会走 handle_other_issue 节点
submit_ticket("你们怎么搞的?昨天买的为什么现在发货还没消息,我要投诉!")
# 测试用例 2 会走 handle_tech_issue 节点
submit_ticket("我本地的 mysql 启动一直报 error 1045 access denied 怎么整。")

赞(0)
未经允许不得转载:171主机测评 » LangGraph 工作流引擎底层笔记
分享到: 更多 (0)

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址