第四章：大模型（LLM）

第八部分：Agent 教程

第五节：LangGraph 简介与用法介绍

1. 什么是 LangGraph

LangGraph 是一种基于 图（Graph）结构 的工作流编排工具，用于管理和执行大模型应用中的复杂流程。
它将 节点（Node） 和 边（Edge） 的思想引入到 Agent 架构中，使得开发者能够清晰定义 数据流动、工具调用、模型推理、状态管理 等过程。

• LangChain 的扩展：LangGraph 构建在 LangChain 基础上，更适合构建多步骤、多工具交互的应用。

• 状态驱动：LangGraph 使用状态机思想来管理执行过程，确保可控、可追踪。

• 可视化：开发者能用图的形式直观理解 agent 的执行逻辑。

2. LangGraph 的核心概念

• Graph（图）：表示整个工作流。

• Node（节点）：执行的单元，可能是一个 LLM 调用、工具函数调用、条件判断等。

• Edge（边）：节点之间的连接，表示数据流和执行顺序。

• State（状态）：全局或局部上下文，存储当前执行的中间结果。

3. 使用场景

• 复杂的 Agent 设计：需要多个工具和 LLM 组合决策。

• 可控执行：保证流程符合预期，不会出现无限循环或不可控行为。

• 可视化与调试：便于追踪每一步执行逻辑。

4. LangGraph 的基本用法

① 定义节点

from langgraph.graph import StateGraph

# 定义状态
class AgentState:
    question: str
    answer: str

# 定义节点函数
def llm_node(state: AgentState):
    state.answer = f"回答: {state.question}"
    return state

② 定义图结构

graph = StateGraph(AgentState)

# 添加节点
graph.add_node("LLM解析", llm_node)

# 设置开始与结束节点
graph.set_entry_point("LLM解析")
graph.set_finish_point("LLM解析")

# 编译图
app = graph.compile()

③ 执行

result = app.invoke({"question": "LangGraph 是什么？"})
print(result["answer"])

5. 与传统 Agent 的对比

6. 小结

LangGraph 提供了一种 图结构化 的方式来设计和管理 Agent，适合 复杂任务编排 与 多工具调用 的应用场景。它既继承了 LangChain 的灵活性，又增强了可控性与可维护性，是构建生产级 LLM 应用的重要工具。