[LangGraph教程]LangGraph01——用LangGraph构建基本的聊天机器人

LangGraph是什么？

LangGraph 是由 LangChain 团队开发的 Python 框架，专注于构建基于图结构的Agent和多Agent应用程序。与LangChain 不同，LangGraph 的核心设计理念是帮助开发人员在Agent工作流程中添加更好的精度和控制，以适应现实世界系统的复杂性。

LangGraph通过​​有状态图​​（StateGraph）支持循环、分支和动态流程控制，适合需动态流程控制、状态追踪和人机协同的场景。

核心设计理念

图结构建模​​

LangGraph 的核心思想是图，它将任务流程抽象为​​节点（Node）​​和​​边（Edge）​​构成的图。这种结构支持​​循环迭代​​（如多轮对话、自检纠错）和​​动态路由​​（根据上下文选择不同路径）。

• 节点可以是LLM调用、工具执行或自定义函数
• 边分为普通边和条件边，后者通过逻辑判断动态路由流程（如根据LLM输出选择下一步骤）

在处理流程中，程序可以根据不同的条件选择不同的路径执行，并且允许流程在一定条件下重复执行某些部分，最终构成一个有向有环图。

开发者可精确管理每个节点的行为（如工具调用顺序）、边的触发条件（如根据状态字段路由），甚至动态修改图结构。

而且，LangGraph将不同的处理逻辑封装为一个个组件（节点）。这些组件可以在不同的 agent 开发项目或者同一项目中的不同分支路径中复用，大大提高了开发效率。

例如，在一个智能客服 agent 的开发中，当用户询问产品相关信息时，agent可能先进行简单的知识库查询（处理节点1）。
如果查询结果不符合要求或者用户进一步追问产品的使用场景，agent就可以根据这个情况分支到更详细的使用场景说明流程（处理节点2）。
而且如果用户反复询问同一个问题的不同方面，agent还可以循环执行相关说明节点。

​​状态管理​​

LangGraph 可以有效地管理 agent 的状态。在与环境交互的过程中，它能够通过​​状态对象（State）记录 agent 当前所处的状态，包括已经执行过的 action、环境反馈的信息等诸多内容。

比如在一个机器人探索未知环境的 agent 系统中，LangGraph可以记录机器人已经探索过的区域、遇到的障碍物位置等状态信息。
当机器人需要重新规划路径或者再次经过某个区域时，这些状态信息就可以被利用起来，使agent 的决策更加合理。

持久化与可靠性​​

内置​​检查点（Checkpoint）机制​​，自动保存执行状态，支持断点续做、错误恢复和人工介入（Human-in-the-Loop）。
​​

​​与LangChain生态集成​​

LangGraph并非完全独立，而是与LangChain生态深度集成：

• LangGraph可复用LangChain的模块（如提示模板、工具库）。
• 复杂场景中，LangGraph负责流程编排，LangChain处理具体任务（如数据加载、模型调用）

优势

在使用大语言模型进行复杂任务处理时，大语言模型的智能化程度通常和其可靠性成反比：大模型可以自主去做的东西越多，就越有可能出错，可靠性越低

而LangGraph在一定程度上缓解了这个问题：即使我们给大语言模型较高的控制权，依然可以通过LangGraph对底层工作流进行控制，提高agent的可靠性

LangChain和LangGraph的区别

LangChain 的设计理念是 ICEL 链：

• Input（输入） ：明确任务的初始输入，比如用户提出的一个问题或需要处理的数据等。
• Chain（链条） ：包含一系列预定义的处理步骤，每个步骤代表一个特定的功能或操作，如数据检索、文本处理、模型推理等。这些步骤之间按顺序连接，形成一个完整的处理链条。
• Execution（执行） ：按照链条的顺序依次执行各个步骤，每个步骤的输出作为下一个步骤的输入，直到整个链条执行完毕。
• Link（链接） ：通过 | 符号将不同的处理过程链接起来，形成一个连贯的工作流，实现输入到输出的顺序式处理。

LangChain通过将多个过程用 | 连接起来形成顺序执行的流程，很适合 RAG 这种有明确先后顺序的项目，最终构成一个有向无环图。

然而，当涉及到 agent 开发时，情况就变得复杂了。因为 agent 需要与环境进行多次交互，并且要重复执行 action，如果按照 LangChain 的线性链式结构去开发，会导致链的长度过长，可维护性差，代码结构也不够清晰，所以 LangGraph 就应运而生了。

LangGraph的核心思想是图，支持分支和循环，能最终构成一个有向有环图，更适合 agent 开发等复杂交互场景。

用LangGraph构建基本的聊天机器人

TypedDict 是 Python 中用于定义字典类型结构的工具，它允许你指定字典中每个键的类型。

可以使用 Annotated 来给键的类型添加额外的信息，例如一个 reducer 函数，用于定义如何更新该键的值。

reducer函数用于根据特定规则更新数据，常用于状态管理和函数式编程。它接收当前状态和操作，返回新状态。在这个例子中，add_messages是一个reducer函数，它的作用是将新消息追加到messages列表中，而不是覆盖整个列表。

from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph.message import add_messages
from langgraph.graph import StateGraph

class State(TypedDict):
    messages:Annotated[list, add_messages]
    
graph_builder = StateGraph(State)

在 LangGraph中，节点是一个函数（sync 或async ），接收当前State作为输入，执行自定义的计算，并返回更新的State。所以其中第一个位置参数是state 。

from langchain_community.chat_models import ChatOllama

local_llm = "qwen2.5:latest"
llm = ChatOllama(model=local_llm, format="json", temperature=0)

def chatbot(state: State):
    return {"messages": [llm.invoke(state["messages"])]}

定义好了节点以后，需要使用add_node方法将这些节点添加到图中。在将节点添加到图中的时候，可以自定义节点的名称。而如果不指定名称，则会为自动指定一个与函数名称等效的默认名称。

# 第一个参数是节点名称，第二个是要调用的函数
graph_builder.add_node("chatbot", chatbot)

接下来，添加一个 entry 点告诉图每次运行它时从哪里开始工作。
类似地，设置一个 finish 点指示图从哪退出。

from langgraph.graph import START, END


graph_builder.add_edge(START, "chatbot")
graph_builder.add_edge("chatbot", END)

最后，通过compile编译图。在编译过程中，会对图结构执行一些基本检查（如有没有孤立节点等）。

graph = graph_builder.compile()

要调用图中的方法，可以使用 invoke 方法。

graph.invoke({"messages":"你好"})

完整代码

from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph.message import add_messages
from langgraph.graph import StateGraph

class State(TypedDict):
    messages:Annotated[list, add_messages]
    
graph_builder = StateGraph(State)

from langchain_community.chat_models import ChatOllama

local_llm = "qwen2.5:latest"
llm = ChatOllama(model=local_llm, format="json", temperature=0)

def chatbot(state: State):
    return {"messages": [llm.invoke(state["messages"])]}

# 第一个参数是节点名称，第二个是要调用的函数
graph_builder.add_node("chatbot", chatbot)

from langgraph.graph import START, END


graph_builder.add_edge(START, "chatbot")
graph_builder.add_edge("chatbot", END)

graph = graph_builder.compile()

graph.invoke({"messages":"你好"})