本文系统介绍LangGraph 1.0核心概念，将其定位为构建智能体的"编程语言"。详细讲解状态(State)管理、节点(Node)设计与边(Edge)类型(普通边、条件边)，并通过代码示例展示如何构建工作流。重点解析Reducer解决并行执行冲突机制，以及全局状态共享特性，为开发复杂AI工作流提供坚实基础。

---

前言

在之前的系列中，笔者已经系统梳理了 LangChain 1.0 的核心知识点，并通过一个 多模态 RAG 项目带领大家实践了 LangChain 1.0 的关键技术。从本篇开始，笔者将为大家进一步分享 LangGraph 1.0 的相关知识。与 LangChain 1.0 相比，LangGraph 1.0 的整体架构变动不大，但其定位发生了重要转变：在 1.0 版本之后，LangGraph 不再是 LangChain 的能力延伸，而是成为 LangChain 的能力底座。它通过灵活的状态管理、“点”与“边”的抽象、记忆机制以及“人在回路”的高效控制，特别适合构建精细化、可编排的工作流。

从本期开始笔者将逐步介绍 LangGraph 1.0 的这些核心特性，并最终使用 LangGraph 搭建一个 邮件自动回复工具流。本期先从基础入手，讲解 LangGraph 1.0 的核心概念，重点解析 “点”与“边” 的设计与使用。

LangGraph1.0 与先前版本变动不大，预计花费三节左右的时间讲解，同时也要说明笔者的专栏《深入浅出LangChain&LangGraph AI Agent 智能体开发》适合所有对 LangChain 感兴趣的学习者，无论之前是否接触过 LangChain。该专栏基于笔者在实际项目中的深度使用经验，系统讲解了使用LangChain/LangGraph如何开发智能体，目前已更新 30 讲，并持续补充实战与拓展内容。欢迎感兴趣的同学关注笔者的微信公众号 大模型真好玩，每期分享涉及的代码均可在公众号私信: LangChain智能体开发免费获取。

PS:鉴于后台私信越来越多，我建了一些大模型交流群，大家在日常学习生活工作中遇到的大模型知识和问题都可以在群中分享出来大家一起解决！如果大家想交流大模型知识，可以关注我并回复加群。

一、LangGraph 核心特性

LangGraph 是一个极其灵活的框架，其核心设计理念可以概括为：它是一种用于构建智能体的“编程语言” 。

如同任何编程语言都包含数据、函数、控制流等基本要素一样，LangGraph 也提供了功能对等的抽象组件，使开发者能够以声明式的方式编排智能体工作流。其核心特性的对应关系如下：

编程语言要素	LangGraph 对应概念	说明
数据 (Data)	状态 (State)	工作流执行过程中传递和更新的信息载体。
函数 (Function)	节点 (Node)	对状态进行操作（如调用模型、执行工具）的基本单元。
控制逻辑 (Control Flow)	边 (Edge)	决定节点间执行顺序的逻辑，可以是条件分支或静态路径，支持串行与并行。
存储 (Storage)	检查点 / 记忆 (Checkpointing / Memory)	状态的持久化机制，允许工作流暂停、恢复或具有长期记忆。
中断 (Interrupt)	人在回路 (Human-in-the-Loop)	通过中断控制流，在关键环节引入人工审核或干预的能力。

通过以上组件，LangGraph 使得构建一个具备复杂逻辑、可持续运行且支持人机协作的智能体系统变得直观且高效。

二、状态State和节点Node

2.1 状态State

LangGraph是一个状态图，状态可以理解为图的数据。在定义图之前首先应该定义一个状态作为初始值，在图的更新过程中状态值是可以被图更新并返回给用户的。

图本身是无状态的，在定义图时，首先要定义图将操作的状态。这个状态由图中的所有节点共享。状态通常是一个Python数据结构。定义状态的方式可以采用类型化字典。比如下面代码就定义了包含名为nList字符串列表的状态值。当图被调用时，状态会被初始化，LangGraph运行时会选择一个节点来执行，然后它会提供当前状态，运行节点，最后更新状态再到结束。

class State(TypedDict):
nlist: List[str]

2.2 节点

在LangGraph中，节点的本质是一个函数。节点函数的输入参数是状态，输出则是对状态的更新。举例如下：

def node_a(state: State):
...
return ({"nlist":[note]})

以上节点函数执行完成后会对字符串列表进行更新。State 可以被持久化（通过 Checkpointing 机制）。这意味着如果节点执行失败或工作流被中断，可以从上一个检查点恢复状态重新运行，保证了工作流的鲁棒性。

2.3 使用LangGraph构建简单图

下面笔者通过一个完整的代码示例，将 State 和 Node 的概念串联起来，构建一个最简单的单节点图。在开始之前，请大家确保已经安装了langgraph相关环境。如未安装，可以运行 pip install -U langgraph命令。

1. 导入依赖库

from langgraph.graph import START, END, StateGraph

2. 创建图表的第一步是定义一个State类，类型是字典。它包含一个字符串类型的列表,状态可以是一个Python数据类也可以是一个Pydantic基类模型，关于pydantic的使用大家可以参考笔者的文章: 深入浅出LangGraph AI Agent智能体开发教程（六）—LangGraph 底层API入门, 也可查看pydantic官方文档， 这里不加赘述了

class State(TypedDict):
nList: List[str]

3. 定义节点，节点实际上就是Python函数，该函数接收状态，打印信息然后返回状态的更新。

def node_a(state):
print(f"noda_a接收到{state['nList']}")
note = "Hello, 我是节点a"
return(State(nList=[note]))

4. 编译状态图，将节点加入到图中，定义为"a"节点，同时添加从START节点到"a"节点的边，然后添加从"a"到END的边。这里的START和END都是LangGraph定义的常量节点，仅包含语义信息。最后编译图。

builder = StateGraph(State)
builder.add_node("a", node_a)
builder.add_edge(START, "a")
builder.add_edge("a", END)
graph = builder.compile()

以上代码构建了一个如下的简单图。

5. 接下来测试这个图，首先使用State初始化一个状态变量，然后通过.invoke方法运行图。可以看到节点A接收了初始状态，然后当调用图完成后返回了更新后的状态。

initial_state = State(
nList=["Hello Node a, how are you?"]
)
print(graph.invoke(initial_state))

通过以上案例大家应该可以理解在定义图和状态时，图中所有节点可以共享相同的状态。

三、边

在定义了“数据”（State）和“操作”（Node）之后，笔者接下来介绍边。边 (Edge) 是 LangGraph 中定义工作流执行逻辑的核心。它决定了节点之间的连接关系与执行顺序，是实现串行、并行、条件分支等复杂逻辑的关键。

3.1 普通边

普通边（静态边） 用于连接两个节点，指定了确定无误的执行顺序。它是最简单的控制流，定义了工作流中“下一步该执行谁”。

• 串行执行

  通过连续的普通边连接多个节点，形成一个线性的执行链。例如：START -> A -> B -> C -> END。

• 并行执行

  一个节点可以同时拥有多个出边（outgoing edges），指向不同的后续节点。LangGraph 运行时会在当前节点完成后，同时触发所有后续节点执行。

3.2 条件边

除普通边外，LangGraph还有另一种条件边。条件边允许工作流根据运行时状态动态决定下一步的执行路径。它需要一个路由函数，该函数接收当前状态，并选择下一个要执行的节点。下图左侧根据条件选择将状态传递给下一级左侧节点进行处理。条件边还有一个特殊情况是MapReduce, 它可以创建可变数量的下游节点，并且每个节点都传递了一个唯一值（笔者之后也会讲到）。

3.3 Reducer详解

当一个节点拥有多个出边（即触发了并行执行）时，多个后续节点可能同时更新 State 中的同一个字段。此时就会产生冲突：以谁的更新为准？默认情况下，节点的更新是覆盖式的。如果节点B和节点C并行执行，都尝试更新state[‘messages’]，后完成的节点会覆盖先完成节点的结果，导致数据丢失。

为了更精确的控制，这时就需要用到Reducer（归约器） 来解决解决此问题。它是一个合并函数，定义了当多个更新同时作用于同一个状态字段时，应如何合并这些更新。下面的状态定义中的operator.add就是一个Reducer，它指定了列表状态应该是合并而不是覆写

import operatorfrom typing import TypedDict, Annotatedclass State(TypedDict):    nList: Annotated[list[str], operator.add]

LangGraph 提供了一些开箱即用的 Reducer，下表列出了最常见的几种：

Reducer 函数	导入来源	适用数据类型	主要行为	典型应用场景
operator.add	operator (Python标准库)	int , float	数值累加	计数器、计分器
operator.extend	operator (Python标准库)	List[T]	列表扩展 (list.extend)	收集多项结果，如搜索条目
operator.or_	operator (Python标准库)	Set[T]	集合取并集，自动去重	收集标签、唯一ID集合
update_dict	langgraph.utils	Dict	合并字典 ，新值覆盖旧键	更新配置或元数据

除了使用内置的Reducer外，开发者甚至可以自定义reducer进行处理。Reducer就是一个合并函数，该函数接收当前值和新传入值作为参数，并在函数中定义处理逻辑。以下是一个自定义Reducer的代码示例：该函数合并新值和旧值并返回去重后结果。

from typing import TypedDict, List, Annotated
from langgraph.graph import START, END, StateGraph
def deduplicate_merge(old_list: List[str], new_list: List[str]) -> List[str]:
"""自定义Reducer：合并列表并去重"""
combined = old_list + new_list
return list(dict.fromkeys(combined)) # 保持顺序的去重
class MyState(TypedDict):
unique_items: Annotated[List[str], deduplicate_merge]
from typing import TypedDict, List, Annotated
class State(TypedDict):
unique_items: Annotated[List[str], deduplicate_merge]
def node_a(state: State) -> State:
print(f"Adding 'A' to {state['unique_items']}")
return State(unique_items=["A"])
def node_A_extra(state: State) -> State:
print(f"Adding 'A' to {state['unique_items']}")
return State(unique_items=["A"])
builder = StateGraph(State)
builder.add_node("a", node_a)
builder.add_node("a_extra", node_A_extra)
builder.add_edge(START, "a")
builder.add_edge("a", "a_extra")
builder.add_edge("a_extra", END)
graph = builder.compile()
initial_state = State(
unique_items = ['Initial String']
)
print(graph.invoke(initial_state))

上面代码的图结构如下所示，按理说列表中应该有两个“A”，但是因为添加时会去重，所以最后列表中只有这一个“A”了。

最后的结果如下：

3.4 探索LangGraph边的并行与数据共享

笔者接下来将构建下图所示的工作流，来帮助大家直观理解并行执行与全局状态共享。

1. 第一步同样的需要定义状态，不同的是这里的状态需要用reducer来指明列表的状态是累加而不是覆盖原来的值。

import operator
from typing import TypedDict, List, Annotated
class State(TypedDict):
nList: Annotated[List[str], operator.add]

2. 下一步来定义节点函数，每个节点都接收状态，并返回对nList字段的更新。

def node_a(state: State) -> State:
print(f"Adding 'A' to {state['nList']}")
return State(nList=["A"])
def node_b(state: State) -> State:
print(f"Adding 'B' to {state['nList']}")
return State(nList=["B"])
def node_c(state: State) -> State:
print(f"Adding 'C' to {state['nList']}")
return State(nList=["C"])
def node_bb(state: State) -> State:
print(f"Adding 'BB' to {state['nList']}")
return State(nList=["BB"])
def node_cc(state: State) -> State:
print(f"Adding 'CC' to {state['nList']}")
return State(nList=["CC"])
def node_d(state: State) -> State:
print(f"Adding 'D' to {state['nList']}")
return State(nList=["D"])

3. 用状态实例化StateGraph，然后添加定义好的节点并按照参考图中的边将不同的节点连接起来，最后编译图。

builder = StateGraph(State)
builder.add_node("a", node_a)
builder.add_node("b", node_b)
builder.add_node("c", node_c)
builder.add_node("bb", node_bb)
builder.add_node("cc", node_cc)
builder.add_node("d", node_d)
builder.add_edge(START, "a")
builder.add_edge("a", "b")
builder.add_edge("a", "c")
builder.add_edge("b", "bb")
builder.add_edge("c", "cc")
builder.add_edge("bb", "d")
builder.add_edge("cc", "d")
builder.add_edge("d", END)
graph = builder.compile()

4. 提供一个初始状态来调用图表，大家先来思考一下最后的运行结果。

initial_state = State(
nList = ['Initial String']
)
print(graph.invoke(initial_state))

• 并行与合并

  节点B和C在同一步骤中并行执行，它们都接收到了来自节点A更新后的状态 [‘Initial‘， ‘A’]。它们的更新（”B”和”C”）通过Reducer被追加到了nList中。

• 全局状态共享

  节点BB和CC运行时，它能“看到”的状态包含了其上游节点B的更新(‘B’)，也包含了并行分支节点C的更新`(‘C’) 。这是因为LangGraph的状态是全局共享的，边只控制执行顺序，不隔离数据。

3.5 条件边

对于条件边笔者这里直接通过代码讲解，使用条件边实现下图结构，下图中的虚线表示条件边，实线表示普通边。

1. 定义状态

from langgraph.graph import START, END, StateGraph
import operator
from typing import TypedDict, List, Annotated
class State(TypedDict):
nList: Annotated[List[str], operator.add]

2. 定义节点函数

def node_a(state: State):
return
def node_b(state: State):
return State(nList=['B'])
def node_c(state: State):
return State(nList=['C'])

3. 定义图，首先添加实线普通边

builder = StateGraph(State)
builder.add_node("a", node_a)
builder.add_node("b", node_b)
builder.add_node("c", node_c)
builder.add_edge(START, "a")
builder.add_edge("b", END)
builder.add_edge("c", END)
graph = builder.compile()

4. 学习条件边的定义方法，条件边需要定义条件路由函数，该函数接受状态并返回一个值，这个值代表想要分支到的下一节点。笔者下面定义的函数接收图最近一次写入的状态，然后返回一个值。

def conditional_edge(state: State) -> Literal['b', 'c', END]:
select = state["nList"][-1]
if select == "b":
return 'b'
elif select == 'c':
return 'c'
elif select == 'q':
return END
else:
return END

5. 在构建图时使用添加条件边的语法来添加条件边

builder.add_conditional_edges("a", conditional_edge)

6. 测试条件边的逻辑。下面代码笔者从用户那里获取输入作为初始输入状态，然后用该状态调用图表：

user = input('b, c or q to quit:')
input_state = State(
nList=[user]
)
graph.invoke(input_state)

可以看到当用户输入b, 会走到b节点，在b节点中添加字符串’B’, 当用户输入c, 会走到c节点，在c节点中添加字符串‘C’，输入q 则会直接到结束节点，这就是条件边的控制逻辑。完整代码大家可以关注笔者的微信公众号 大模型真好玩，并私信: LangChain智能体开发免费获取。

以上就是今天的全部内容啦！内容篇幅较长，大家消化一下~

四、总结

本期分享笔者为大家介绍了LangGraph 1.0，LangGraph1.0是构建智能体的编程语言。它通过状态（State） 管理数据，节点（Node） 作为处理函数，边（Edge） 定义串行、并行或条件执行逻辑。借助Reducer处理并行写入冲突，并支持人在回路控制。这使其成为搭建复杂、可编排AI工作流的强大底座。本期分享着重介绍了LangGraph的节点和边的定义，并用点和边构造了简单的图。然而LangGraph不仅仅有如上所示的图的定义方法，在下期分享笔者将为大家介绍更多点和边的构建方法，以及介绍记忆Memory和人在回路Human In the loop，大家敬请期待~

如何学习AI大模型 ？

“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，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。【保证100%免费】🆓

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

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。（全套教程文末领取哈）

👉4.大模型实战项目&项目源码👈

光学理论是没用的，要学会跟着一起做，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项目来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

为什么分享这些资料?

只要你是真心想学AI大模型，我这份资料就可以无偿分享给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）