一文详解LangGraph | 快速入门LangGraph，大模型入门到精通（非常详细）看这一篇就够了！

大模型本地部署_

于 2025-06-21 14:32:05 发布

阅读量2.1k

点赞数 15

CC 4.0 BY-SA版权

文章标签：人工智能 AI大模型大模型入门 AI 大模型 LLM LangGraph

本文链接：https://blog.csdn.net/Androiddddd/article/details/148810134

一、LangGraph 简介

随着大模型技术的不断演进，AI Agent成为了大模型领域的焦点。开发者们纷纷投身其中，期望构建出能够自主决策、灵活交互的智能体。在这片竞争激烈的技术蓝海中，LangGraph 作为从 LangChain 孵化而来的独立平台，迅速崛起为 Multi-Agent 开发框架中的佼佼者。

LangGraph 基于有向无环图（DAG）这一核心数据结构，通过节点（Node）和边（Edge）的组合，使得开发者能够快速地搭建起一个Multi-Agent 系统。

对于追求高效、可靠开发的工程师们来说，LangGraph 的核心优势在于：

敏捷高效：凭借简洁统一的开发架构，将复杂 AI Agent 开发流程标准化，降低开发门槛；开发者可快速复用节点与工作流模板，减少重复性开发工作，大幅缩短项目周期，实现从构思到落地的高效转化。
可靠性和可控性：通过审核检查与人工介入机制，确保智能体行动精准合规，同时能在长期工作流中保留上下文，让智能体行动始终保持正确方向。
高可扩展性：开发者可摆脱固有框架束缚，使用完全描述性的底层原语自由定制智能体，轻松设计满足各类需求的可扩展多智能体系统。
原生流式支持：支持逐个 token 流式传输和中间步骤流式输出，实时呈现智能体推理过程，增强交互透明度。

从企业级复杂业务流程自动化，到创新型智能交互应用开发，LangGraph 都能成为开发者手中的得力工具。接下来，就让我们开启 LangGraph 的快速入门之旅，探索其强大功能与魅力。

二、LangGraph 的核心概念

LangGrapg 有三个最核心的概念，分别是：State、Node和 Graph，对这几个概念的具体理解如下：

State：状态，其中记录了智能体运行过程中的所有信息，涵盖输入数据、中间计算结果和最终输出，为智能体的持续运行提供上下文。状态内的参数可以在多个节点间保存和流转，是节点间通信的核心机制。
Node：节点，它是构成 LangGraph 的基本单元。每个 Node 可实现特定功能，例如数据处理、逻辑判断或调用外部 API。
Graph：Graph 就是最终的图结构，由众多 Node 通过特定逻辑连接而成，定义了智能体的整体工作流程，各 Node 在其中协同运作，推动 AI Agent 完成复杂任务。

三、如何使用LangGraph快速构建工作流

接下来，我们通过一个例子，展示下如何使用LangGraph快速构建一个简单的多步骤工作流。

相信大家一定看过赵本山和宋丹丹的经典小品《钟点工》，里面有这样一段台词：

要把大象装冰箱，总共分三步：第一步，把冰箱门打开；第二步，把大象装进去；第三步，把冰箱门带上。

首先，让我们看看完整的实现代码：

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. 定义状态
class ElephantInFridgeState(TypedDict):
    """
    定义状态——大象在冰箱中
    状态内的参数可以在多个节点间保存和流转
    """
    fridge_open: bool  # 冰箱门是否打开
    elephant_inside: bool  # 大象是否在冰箱内

# 2. 定义每个步骤的处理节点
def open_fridge(state: ElephantInFridgeState) -> ElephantInFridgeState:
    """第一步: 把冰箱门打开"""
    print("正在打开冰箱门...")
    # 执行当前节点业务逻辑
    print("冰箱门已打开！")
    # 更新状态
    state["fridge_open"] = True
    # 当前节点处理完成,更新状态
    return state

def put_elephant(state: ElephantInFridgeState) -> ElephantInFridgeState:
    """第二步: 把大象放进去"""
    # 获取当前状态
    if not state["fridge_open"]:
        raise ValueError("冰箱门未打开，无法放入大象！")
    # 执行当前节点业务逻辑
    print("正在把大象放入冰箱...")
    print("大象已放入冰箱！")
    # 更新状态
    state["elephant_inside"] = True
    # 当前节点处理完成,更新状态
    return state

def close_fridge(state: ElephantInFridgeState) -> ElephantInFridgeState:
    """第三步: 把冰箱门带上"""
    # 获取当前状态
    if not state["elephant_inside"]:
        print("警告：冰箱内没有大象，是否确认关闭？")
    # 执行当前节点业务逻辑
    print("正在关闭冰箱门...")
    print("冰箱门已关闭！")
    # 更新状态
    state["fridge_open"] = False
    # 当前节点处理完成,更新状态
    return state

# 3. 构建Graph工作流图
def build_graph() -> CompiledStateGraph:
    """构建"把大象装冰箱"的工作流程图"""
    # 创建图对象StateGraph
    graph = StateGraph(ElephantInFridgeState)
    # 添加节点Node
    graph.add_node("open_fridge", open_fridge)
    graph.add_node("put_elephant", put_elephant)
    graph.add_node("close_fridge", close_fridge)
    # 添加起始边
    graph.add_edge(START, "open_fridge")
    # 添加边Edge,将节点连接起来,形成工作流
    graph.add_edge("open_fridge", "put_elephant")
    graph.add_edge("put_elephant", "close_fridge")
    # 添加结束边
    graph.add_edge("close_fridge", END)
    # 返回编译好的图Graph
    return graph.compile()

# 4. 运行Graph工作流
def run_workflow():
    """运行"把大象装冰箱"的工作流"""
    # 构建图
    graph = build_graph()
    # 定义初始状态
    initial_state = ElephantInFridgeState(fridge_open=False, elephant_inside=False)
    # 运行图
    result = graph.invoke(initial_state)
    # 输出最终状态
    print("\n工作流执行完毕，最终状态:")
    print(f"冰箱门状态: {'打开' if result["fridge_open"] else '关闭'}")
    print(f"大象是否在冰箱内: {'是' if result["elephant_inside"] else '否'}")
    # 可视化工作流图
    display(Image(graph.get_graph().draw_mermaid_png()))
    return result

# 执行入口
if __name__ == "__main__":
    final_state = run_workflow()

接下来，我们详细分析下这段代码的功能。

定义状态类

我们首先创建了 ElephantInFridgeState 类，它继承自 LangGraph的 TypedDict 基类，是一种 key-value 的结构，用于管理整个工作流的状态。这个类包含两个 bool 类型属性：

fridge_open：表示冰箱门是否打开
elephant_inside：表示大象是否在冰箱内

这些状态变量将在各个节点之间传递，通过节点间的通信与协作，确保工作流的连贯性。

定义工作流节点

我们为三个步骤分别创建了函数作为节点：

open_fridge：负责将冰箱门状态设置为打开。
put_elephant：检查冰箱门是否打开，并将大象放入冰箱。
close_fridge：关闭冰箱门，并在冰箱内没有大象时发出警告。

我们可以看到，每个节点都遵循这样的处理范式：

从状态中获取所需数据。
执行当前节点的业务逻辑。
更新状态。
返回处理后的状态。

这种设计确保了状态在整个工作流中的一致性和可追踪性。

构建工作流图

build_graph 函数负责将各个节点连接成完整的工作流：

创建 StateGraph 实例
添加三个工作步骤作为节点
通过 add_edge 方法添加边，定义节点之间的执行顺序
添加起始边和结束边。这里 START 和 END 是 LangGraph 内置的常量，分表代表图的起始和结束节点。

这种图结构的设计让我们可以轻松定义复杂的工作流，包括条件分支、循环、回退、异步等高级特性。

运行工作流

run_workflow 函数演示了如何编译和执行工作流：

构建图
初始化状态
编译图并执行
输出最终状态

通过这种方式，我们可以清晰地看到每个步骤的执行结果，以及整个工作流的最终状态。

这里我还通过可视化的方式，打印了整个图的结构：

在这里插入图片描述

运行结果

最后，我们执行入口函数，就可以看到如下的效果：

这个简单的例子展示了LangGraph的核心功能：通过状态管理、节点定义和图构建，我们可以创建复杂的工作流，每个步骤都可以独立开发和测试，同时保持整体的一致性和可控性。

小结

通过对 LangGraph 的优势解析、核心概念拆解及 “把大象装冰箱” 的实战演练，我们清晰看到：LangGraph 以简洁高效的架构，将复杂 AI Agent 开发流程化繁为简。它通过 State、Node 和 Graph 的有机结合，赋予开发者精准掌控智能体行为的能力，无论是基础任务的有序推进，还是复杂场景的多智能体协作，都能从容应对。在 AI Agent 蓬勃发展的当下，LangGraph 不仅是开发者提升开发效率的利器，更为创新应用的落地提供了坚实支撑，有望推动人工智能迈向更智能、更灵活的新阶段。