前言

“「 嘿兄弟，我好想交女朋友但都交不到，怎么办？ 」”

身为 AI 工程师，为了帮他，当然是画个流程图啊！

交女朋友要分步骤，每个步骤都有单一目的。 如果失败也没关系，流程上我们退回去反省一下，再接再厉

「… 这 TM？ 一点都不实际 ”

有道理，一定是因为没有用 LangGraph 的关系！

用了 LangGraph 一切都实际了起来!

用 LangGraph 把每个步骤都接上 LLM 或者是 Tool（搜索）， 要流程有流程，要行动有行动 ，这就是交友 agent 。

为什么要 LangGraph？

当你的产品需要一些流程、步骤，用 LangGraph 搭配 LangChain

• • 能够实现 workflow / Agent 搭建
• • 轻易把 LLM 引入每个步骤当中
• • 把流程抽象出来，好维护。 把每一个复杂的步骤封装起来。

可是，LangGraph 怎么做到呢？ 有三个要素！

LangGraph 是什么？

LangGraph 三要素：

• • State： 状态机，如同变量表
• • Node： 干活 / 函数
• • Edge：流程控制

太抽象？ 给个简单例子

# **State**class MyState(TypedDict):  # from typing import TypedDict    i: int    j: int# Functions on **nodes**def fn1(state: MyState):    print(f"Enter fn1: {state['i']}")    return {"i": 1}def fn2(state: MyState):    i = state["i"]    return {"i": i+1}# Conditional **edge** functiondef is_big_enough(state: MyState):    if state["i"] > 10:        return END    else:        return "n2"# The Graph!  The "Program" !!workflow = StateGraph(MyState)workflow.add_node("n1", fn1)workflow.add_node("n2", fn2)workflow.set_entry_point("n1")workflow.add_edge("n1", "n2")workflow.add_conditional_edges(    source="n2", path=is_big_enough)# Compile, and then rungraph = workflow.compile()r = graph.invoke({"i": 1000, "j": 123})print(r)

这个 graph 的可视化执行过程：

最后输出：

{'i': 11, 'j': 123}

跟单纯写 python 程序的不同，LangGraph 能够让每一个「步骤」都很复杂， 引入 LLM 跟工具的处理，把「流程」抽象出来 ，变得干净好维护。

Graph 像是一个子程序

在这个例子 MyState 其实是一个字典，先知道这样，后面有更多解释。

1. Node 节点

fn1 跟 fn2 两个 function，因为他们由 add_node（） 绑在节点上 – 前面说了 Node 就是在干活，可以理解为具体的打工人。

何谓干活？ 通常是「改变 state」，当然也可以是具体的某个事情，比如读取文件、写文件等。

def fn1(state: MyState):    print(f"Enter fn1: {state['i']}")    return {"i": 1}def fn2(state: MyState):    i = state["i"]    return {"i": i+1}

• • 想象 state （状态） 是属于这个 graph 的「变量表」。
• • fn1 先打印传入的 state; 回传 {“i”： 1} 代表「不管 state 的 i 以前是多少，现在覆盖掉，变成 1
• • 同理，fn2 把 state 的 i 加上 1 以后回传，代表「state 里面的 i 多加 1

• • 注意 state[“i”] 是这个 graph 里面的变数，在其他节点的 function 也能存取。

光是定义 function 不够，还要绑到 graph 上，给每个 node 一个名字：

workflow.add_node("n1", fn1)workflow.add_node("n2", fn2)

2. Edge 边

执行顺序呢？ 这就是 “edge” 控制了：从一个点有方向地连到另一个点

workflow.set_entry_point("n1")workflow.add_edge("n1", "n2")workflow.add_conditional_edges(    source="n2", path=is_big_enough)

• • set_entry_point（） 指定从哪个 node 开始执行
• • add_edge（“n1”， “n2”） 表示当 n1 执行完以后，下一步就交给 n2 执行
• • 条件判断用.add_conditional_edges（）实现，等价于程序里的 “if”。它需要至少两个参数

• • source 表示起点
• • path 是一个 function 决定下一步给谁：看他回传的字串代表哪个 node。
• • 示例代码中 is_big_enough 这个函数，去看 state 变量表里的 i 有没有大于 10，没有的话就回传 “n2”，也就是下一棒再交给自己。 大于 10 的话就结束（ END）

def is_big_enough(state: MyState):    if state["i"] > 10:        return END    else:        return "n2"

所以整个 Graph 看起来像个子程序！ 把 workflow 当作代码、state 当作变量表，compile 编译成执行文件：

graph = workflow.compile()r = graph.invoke({"i": 1000, "j": 123})print(r)

• • 整个 graph 需要 .compile（） 才是一个能执行的 graph。 而 Compile 之后，后加的 node/edge 不会反映在上面
• • .invoke（） 是输入初始的 state 去执行; 输出是最后的 state
• • 虽然所有节点都没碰触 j – 也就是回传的都是 partial state ，但 state 的 schema 是 TypeDict， 里面有定义 j，所以如果初始有给 j 值，也会一直保留，最后的输出会有 j

Enter fn1: 1000{'i': 11, 'j': 123}

对了，有没有发现： 示例代码完全没 AI 模型 。LangGraph 本质上就是个 “graph processing” engine 而已!

3. State 状态

State 是一个共享的数据结构，在 graph 的节点之间传递和更新，在上面的代码中我们已经看到了，节点函数 fn1、fn2 可以读取 state 并进行修改

class MyState(TypedDict):    i: int    j: int...def fn2(state: MyState):    i = state["i"]    return {"i": i+1}

核心特性

State 就像是一个在图中流动的"数据包"，每个节点都可以检查它、修改它，然后传递给下一个节点。这种设计让复杂的 AI 工作流变得清晰可维护。

普通人如何抓住AI大模型的风口？

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

AI大模型开发工程师对AI大模型需要了解到什么程度呢？我们先看一下招聘需求：

知道人家要什么能力，一切就好办了！我整理了AI大模型开发工程师需要掌握的知识如下：

大模型基础知识

你得知道市面上的大模型产品生态和产品线；还要了解Llama、Qwen等开源大模型与OpenAI等闭源模型的能力差异；以及了解开源模型的二次开发优势，以及闭源模型的商业化限制，等等。

了解这些技术的目的在于建立与算法工程师的共通语言，确保能够沟通项目需求，同时具备管理AI项目进展、合理分配项目资源、把握和控制项目成本的能力。

产品经理还需要有业务sense，这其实就又回到了产品人的看家本领上。我们知道先阶段AI的局限性还非常大，模型生成的内容不理想甚至错误的情况屡见不鲜。因此AI产品经理看技术，更多的是从技术边界、成本等角度出发，选择合适的技术方案来实现需求，甚至用业务来补足技术的短板。

AI Agent

现阶段，AI Agent的发展可谓是百花齐放，甚至有人说，Agent就是未来应用该有的样子，所以这个LLM的重要分支，必须要掌握。

Agent，中文名为“智能体”，由控制端（Brain）、感知端（Perception）和行动端（Action）组成，是一种能够在特定环境中自主行动、感知环境、做出决策并与其他Agent或人类进行交互的计算机程序或实体。简单来说就是给大模型这个大脑装上“记忆”、装上“手”和“脚”，让它自动完成工作。

Agent的核心特性

自主性： 能够独立做出决策，不依赖人类的直接控制。

适应性： 能够根据环境的变化调整其行为。

交互性： 能够与人类或其他系统进行有效沟通和交互。

对于大模型开发工程师来说，学习Agent更多的是理解它的设计理念和工作方式。零代码的大模型应用开发平台也有很多，比如dify、coze，拿来做一个小项目，你就会发现，其实并不难。

AI 应用项目开发流程

如果产品形态和开发模式都和过去不一样了，那还画啥原型？怎么排项目周期？这将深刻影响产品经理这个岗位本身的价值构成，所以每个AI产品经理都必须要了解它。

看着都是新词，其实接触起来，也不难。

从0到1的大模型系统学习籽料

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师（吴文俊奖得主）

给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

• 基础篇，包括了大模型的基本情况，核心原理，带你认识了解大模型提示词，Transformer架构，预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门AI大模型
• 进阶篇，你将掌握RAG，Langchain、Agent的核心原理和应用，学习如何微调大模型，让大模型更适合自己的行业需求，私有化部署大模型，让自己的数据更加安全
• 项目实战篇，会手把手一步步带着大家练习企业级落地项目，比如电商行业的智能客服、智能销售项目，教育行业的智慧校园、智能辅导项目等等

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

AI时代，企业最需要的是既懂技术、又有实战经验的复合型人才，**当前人工智能岗位需求多，薪资高，前景好。**在职场里，选对赛道就能赢在起跑线。抓住AI这个风口，相信下一个人生赢家就是你！机会，永远留给有准备的人。

如何获取？

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】