LangGraph: 构建复杂、循环的 AI 代理

LangGraph 是 LangChain 生态中最重要的进阶工具。它允许你将 AI 逻辑定义为图 (Graph) 结构，非常适合构建具有循环（Cycles）、状态管理（State）和多代理协作（Multi-agent）的应用。

#1. 为什么需要 LangGraph？

传统的 Chain 是线性的（A -> B -> C）。但在实际开发中，我们往往需要循环：

• 循环调试：模型写完代码 -> 运行报错 -> 回到模型进行修复 -> 再次运行。
• 反思模式：模型生成答案 -> 另一个模型审核 -> 审核不通过则回到生成节点。

#2. 核心概念

• Nodes (节点)：普通的 Python 函数，负责处理数据。
• Edges (边)：连接节点的路径。
• State (状态)：在节点间传递的共享数据（通常是一个 TypedDict）。
• Conditional Edges (条件边)：根据逻辑判断下一步走向哪个节点。

#3. 基础代码示例

python复制
from typing import TypedDict, Annotated
from langgraph.graph import StateGraph, END

# 1. 定义状态
class State(TypedDict):
    input: str
    output: str

# 2. 定义节点
def call_model(state: State):
    # 这里调用 LLM
    return {"output": "模型生成的答案"}

# 3. 构建图
workflow = StateGraph(State)
workflow.add_node("model", call_model)

# 设置起点和终点
workflow.set_entry_point("model")
workflow.add_edge("model", END)

# 4. 编译并运行
app = workflow.compile()
result = app.invoke({"input": "你好"})

#4. LangGraph 的独特优势

#A. 状态持久化 (Persistence)

内置 Checkpointer。即使程序崩溃或需要用户人工确认（Human-in-the-loop），它也能从断点处精准恢复。

#B. 多代理协作 (Multi-agent)

你可以轻松定义多个代理节点（如：Researcher 节点, Writer 节点, Reviewer 节点），并让它们在图中按照逻辑流转。

#C. 可视化

LangGraph 支持导出图形结构，方便调试和展示逻辑流。

#5. LangGraph Studio (开发利器)

如果你在本地安装了 Docker，可以使用 LangGraph Studio↗。它提供了一个可视化的 IDE，可以让你实时观察节点状态的变化、手动回滚步骤以及调试复杂的逻辑循环。

---

总结：如果你正在构建一个简单的 RAG 或聊天机器人，LCEL 足够了。但如果你在构建一个真正的 AI Agent（代理），LangGraph 是必选工具。