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：  
![](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。

最后唠两句

为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选

很简单，这些岗位缺人且高薪

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

那0基础普通人如何学习大模型 ？

深耕科技一线十二载，亲历技术浪潮变迁。我见证那些率先拥抱AI的同行，如何建立起效率与薪资的代际优势。如今，我将积累的大模型面试真题、独家资料、技术报告与实战路线系统整理，分享于此，为你扫清学习困惑，共赴AI时代新程。

我整理出这套 AI 大模型突围资料包【允许白嫖】：

• ✅从入门到精通的全套视频教程

• ✅AI大模型学习路线图（0基础到项目实战仅需90天）

• ✅大模型书籍与技术文档PDF

• ✅各大厂大模型面试题目详解

• ✅640套AI大模型报告合集

• ✅大模型入门实战训练

这份完整版的大模型 AI 学习和面试资料已经上传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】

①从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（0基础到项目实战仅需90天）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤640套AI大模型报告合集

⑥大模型入门实战训练

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。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

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。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

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‌。

👉获取方式：
有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓