【一文秒懂】LangGraph是什么？想象一下，把你的Agent从“流水线”升级成“智能导航系统”！

身为 AI 工程师，为了帮他，当然是画个流程图啊！

Python编程杰哥

428人浏览 · 2025-11-27 13:46:53

Python编程杰哥 · 2025-11-27 13:46:53 发布

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 。

1.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！

2. 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：  
![](http://cdn.zhipoai.cn/d8fba4d3.jpg)

最后输出：

```plaintext
{'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。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括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免费分享出来。

在这里插入图片描述