【LangChain】什么是 LangGraph

彬彬侠

于 2025-05-13 12:10:49 发布

阅读量696

点赞数 16

分类专栏： LangGraph 文章标签： LangGraph LangChain

本文链接：https://blog.csdn.net/u013172930/article/details/147861272

版权

LangGraph 专栏收录该内容

35 篇文章

订阅专栏

1. 什么是 LangGraph？

LangGraph 是由 LangChain 团队开发的一个开源库，专门用于构建和管理基于大型语言模型（LLM）的复杂工作流。它是一个用于创建 有状态、多步骤、图驱动的工作流 的工具，特别适合需要动态交互、循环执行或复杂逻辑的应用程序。

简单来说，LangGraph 提供了一种 以图（Graph）为结构 的方式来组织和执行 LLM 的调用、工具交互以及状态管理。相比传统的线性工作流（如简单的 prompt → LLM → 输出），LangGraph 更适合处理需要分支、循环、条件判断或多 agent 协作的场景。

LangGraph 的核心目标是：

模块化：将复杂的任务拆解为可复用的节点和边。
状态管理：支持在多步骤执行中维护和传递状态（如上下文、用户输入、工具输出等）。
灵活性：允许开发者自定义工作流的逻辑，适应多样化的应用场景。

2. LangGraph 的背景

LangGraph 是 LangChain 生态系统的一部分。LangChain 是一个广泛使用的框架，用于增强 LLM 的能力（如通过外部工具、记忆上下文、检索增强生成等）。然而，LangChain 的早期版本在处理复杂、多步骤的工作流时存在局限性，比如难以实现动态循环或多 agent 协作。

为了解决这些问题，LangChain 团队推出了 LangGraph，将其设计为一个更灵活的工具，专注于：

以 有向图 的形式组织任务。
支持 有状态的 agent（Stateful Agents），可以在多次交互中记住和更新上下文。
提供更高的可控性和扩展性，适合构建生产级应用。

LangGraph 通常与 LangChain 和 LangSmith（用于调试和监控 LLM 应用）结合使用，形成一个完整的开发生态。

3. LangGraph 的核心组件

LangGraph 的核心思想是将工作流建模为一个 有向图，其中：

节点（Nodes） 表示具体的操作或任务（如调用 LLM、执行工具、处理输入等）。
边（Edges） 定义了节点之间的连接和执行顺序（可以是有条件的）。
状态（State） 是一个贯穿整个图的数据结构，用于存储和传递信息。

以下是 LangGraph 的主要组件：

3.1 状态（State）

LangGraph 使用一个 状态对象 来跟踪工作流的上下文。状态可以包含任意数据，比如：
- 用户的输入。
- LLM 的输出。
- 工具调用的结果。
- 中间计算的结果。
状态在图的执行过程中会不断更新，节点可以读取和修改状态。
状态通常是一个 Python 类或字典，开发者可以自定义其结构。

3.2 节点（Nodes）

节点是工作流中的执行单元，每个节点负责完成一个具体的任务，例如：
- 调用 LLM 生成文本。
- 执行外部工具（如搜索 API、数据库查询）。
- 进行逻辑判断或数据处理。
节点是一个 Python 函数，接收当前状态作为输入，并返回更新后的状态。

3.3 边（Edges）

边定义了节点之间的执行顺序，可以是：
- 无条件边：直接从一个节点跳转到另一个节点。
- 条件边：根据状态的某些条件选择下一个节点（类似 if-else 逻辑）。
边使得 LangGraph 能够实现动态的工作流，比如根据 LLM 的输出决定下一步操作。

3.4 图（Graph）

图是节点和边的集合，表示整个工作流的逻辑。
LangGraph 提供了 StateGraph 类，用于定义和编译图。
图可以是：
- 有向无环图（DAG）：适合线性或分支的工作流。
- 有向循环图：支持循环执行，比如在 agent 反复思考或工具调用时。

4. LangGraph 的工作原理

LangGraph 的执行过程可以概括为以下步骤：

定义状态：创建一个状态对象，定义工作流中需要跟踪的数据结构。
创建节点：编写节点函数，每个函数实现一个任务（如调用 LLM 或处理数据）。
定义边：指定节点之间的连接逻辑，包括条件跳转。
构建图：使用 LangGraph 的 API（通常是 StateGraph）将节点和边组合成一个图。
编译和执行：编译图并运行，输入初始状态，图会按照定义的逻辑依次执行节点，更新状态，直到达到终止条件。

例如，一个简单的 LangGraph 工作流可能是：

节点 1：接收用户输入并调用 LLM 生成回答。
节点 2：检查回答是否需要调用外部工具（如搜索）。
条件边：如果需要工具，则跳转到工具调用节点；否则结束。

5. LangGraph 的主要功能和优势

5.1 动态工作流

支持动态分支和循环，适合复杂的任务逻辑。
例如，一个 agent 可以在生成回答后检查是否需要更多信息，决定是调用工具还是直接返回。

5.2 状态管理

内置状态管理机制，方便在多步骤任务中维护上下文。
状态可以跨节点共享，避免重复计算或信息丢失。

5.3 多 Agent 协作

LangGraph 适合构建多 agent 系统，每个 agent 可以是一个节点，协作完成任务。
例如，一个 agent 负责生成文本，另一个 agent 负责验证事实。

5.4 工具集成

与 LangChain 的工具生态无缝集成，支持调用外部 API、数据库、搜索工具等。
工具调用可以动态触发，基于 LLM 的决策。

5.5 可视化和调试

LangGraph 支持与 LangSmith 集成，可以可视化工作流、监控执行过程、调试问题。
图结构使得复杂逻辑更易于理解和维护。

5.6 扩展性

LangGraph 高度模块化，开发者可以自定义节点、边和状态，适应各种场景。
适合从简单脚本到生产级应用的开发。

6. LangGraph 的应用场景

LangGraph 适用于需要复杂逻辑或多步骤交互的场景，包括但不限于：

6.1 智能 Agent

构建具有反思和工具调用能力的智能 agent。
例如，一个客服 agent 可以根据用户问题动态决定是否查询数据库、调用 API 或直接回答。

6.2 对话系统

实现多轮对话系统，维护对话历史并根据上下文动态调整回答。
例如，一个教育助手可以在多轮交互中逐步引导学生解决问题。

6.3 自动化工作流

自动化复杂的业务流程，如数据处理、报告生成、决策支持。
例如，一个财务分析系统可以从输入数据到生成报告，涉及多个步骤和条件判断。

6.4 RAG（检索增强生成）

在检索增强生成中，LangGraph 可以管理查询、检索、生成答案的整个流程。
例如，先从文档中检索相关内容，再用 LLM 总结。

6.5 多模态应用

结合文本、图像或其他数据，构建多模态工作流。
例如，一个图像描述系统可以先调用图像处理工具，再用 LLM 生成描述。

7. LangGraph 与其他工具的对比

7.1 LangGraph vs. LangChain

LangChain 更适合简单的、线性的 LLM 应用，核心是 prompt 管理和工具调用。
LangGraph 专注于复杂工作流，强调图结构和状态管理，适合动态、循环或多 agent 场景。

7.2 LangGraph vs. 传统工作流工具

相比传统的工作流工具（如 Airflow），LangGraph 更专注于 LLM 驱动的场景，天然支持语言模型的动态性和不确定性。
LangGraph 的图结构更轻量，适合快速原型开发。

7.3 LangGraph vs. Agent Frameworks

类似框架（如 AutoGen、 CrewAI）也支持多 agent 系统，但 LangGraph 的图结构更通用，允许开发者完全自定义逻辑，而不仅仅局限于 agent 协作。

8. 如何开始使用 LangGraph？

要开始使用 LangGraph，你需要：

安装 LangChain 和 LangGraph：
```
pip install langchain langgraph
```
学习基本概念：
- 熟悉状态、节点、边的定义。
- 阅读 LangGraph 的官方文档（https://langchain-ai.github.io/langgraph/）。
实现一个简单例子：
- 比如构建一个两节点的工作流：一个节点调用 LLM，另一个节点处理输出。
结合 LangSmith：
- 使用 LangSmith 可视化你的工作流，调试和优化。

以下是一个简单的代码示例，展示如何用 LangGraph 构建一个基本工作流：

from langgraph.graph import StateGraph
from typing import TypedDict

# 定义状态
class State(TypedDict):
    input: str
    output: str

# 定义节点
def node_1(state: State) -> State:
    state["output"] = f"处理输入: {state['input']}"
    return state

def node_2(state: State) -> State:
    state["output"] += " -> 已完成"
    return state

# 创建图
workflow = StateGraph(State)
workflow.add_node("node_1", node_1)
workflow.add_node("node_2", node_2)
workflow.add_edge("node_1", "node_2")
workflow.set_entry_point("node_1")
workflow.set_finish_point("node_2")

# 编译和运行
graph = workflow.compile()
result = graph.invoke({"input": "Hello, LangGraph!"})
print(result)
# 输出: {'input': 'Hello, LangGraph!', 'output': '处理输入: Hello, LangGraph! -> 已完成'}