知序
返回
保存草稿
发布
H1
H2
H3
1
2
3
Excalidraw 图
AI 写作
AI 优化
目录
输入内容后显示目录
Markdown
# 01 - 核心模型与最小图 > 导读:本文从"面试官让你解释『节点为什么只返回一个不完整的字典,State 到底在哪一步被改掉』"这个高频追问出发,把 State(状态)、Node(节点)、Edge(边)、Graph(图)四个核心对象,super-step(超步)执行模型、增量更新语义、默认 reducer(归并函数)、`compile()` 与 `invoke()` 的边界,以及一个不依赖 LLM、不依赖 API Key 的最小可运行图逐项讲透,最后给出工程实践与踩坑。适合准备 AI 应用 / Agent 方向面试、以及第一次上手 LangGraph 的同学。  *图:LangGraph 的状态图——节点、条件分支与回边* ## 一、先建立全局认知 ### Q:LangGraph 到底是什么?为什么不能简单说它是"LangChain 的流程图组件"? A:结论先行——**LangGraph 是一个面向"长运行、有状态、可恢复"任务的编排框架,它把业务或 Agent 建模为"一份共享的 State 在 Node 中被读取和更新,再由 Edge 决定下一步"的有向图,并把这套控制流当成可观察、可测试、可中断恢复的一等能力**。它不是数据库,不是模型,也不是 Agent 本身。 把它和普通"链式调用"对比,差别立刻显现:  *图:传统链式调用(单向、无共享状态、无法中途暂停)与 LangGraph 状态图(共享 State、可分支、可循环、可在任意 super-step 存快照并恢复)的差别* ```text 传统链式调用(Runnable 串起来): 输入 ──▶ 步骤 A ──▶ 步骤 B ──▶ 步骤 C ──▶ 输出 (单向、无共享状态、无法在中间暂停、出错只能整体重试) LangGraph 状态图: 输入 ──▶ START ──▶ Node A ──▶ 条件边 ──▶ Node B ──▶ END │ │ └── 读 / 写 State ◀──┘ (有共享 State、可分支、可循环、可在任意 super-step 存快照并恢复) ``` 关键区别有三个:**第一,它有一份贯穿全程的共享状态**,而不是把值在函数之间来回传参;**第二,它的走向由边显式声明**,包括固定边和条件边,所以路径是可枚举、可审计、可单测的;**第三,它可以在执行中途停下**(持久化快照、人工审批),之后再从同一个状态继续跑。这三点正是"长运行 Agent"最需要的,也是普通链式调用给不了的。 需要区分清楚:LangGraph 建立在 LangChain 生态之上,会复用消息类型、ChatModel、Tool 等抽象,但两者不是替代关系。LangChain 关注"组件怎么拼",LangGraph 关注"流程怎么控"。 ### Q:为什么强调"StateGraph 不是数据库,也不是 Agent"?这两句话各在纠正什么误解? A:结论先行——**`StateGraph` 的本质是一个"带状态合并规则的流程编排器",它只干三件事:在节点之间传递 State、按 reducer 把节点的局部更新合并进 State、按边决定下一跳;Agent 只是其中一类"某些节点会调用 LLM 和工具"的图**。 第一句话纠正的是"持久化误解":`StateGraph` 本身不负责存储。你就算写了一张图,进程一退出、内存里的 State 就没了;真正做到"恢复"靠的是之后要讲的 checkpointer(检查点保存器)。把两者混为一谈,就会出现"我用的明明是 LangGraph,为什么重启后还要从头跑"这种困惑。 第二句话纠正的是"魔法误解":很多人以为建了图就自动获得智能。实际上图里放什么都行——全是确定性函数时,它就是一份带版本控制的流程编排代码,非常适合先用来验证边、状态和路径;只有当你把某个节点替换成模型调用或工具调用时,它才变成 Agent。换句话说:  *图:图的骨架是 State、Node、Edge,节点里跑什么决定形态* ```text 图(结构:State + Node + Edge) └─ 节点里跑纯函数 ──▶ 确定性工作流 └─ 节点里跑 LLM / 工具 ──▶ Agent(ReAct、反思、多 Agent 等) ``` 这个视角非常重要,因为它直接推出了一条最有价值的调试策略:**先把确定性图跑通,再逐个把节点换成模型**。这样一旦出问题,你立刻能判断是"流程写错了"还是"模型输出不稳定",而不是在两个变量同时变化时瞎猜。 ### Q:什么场景该选 LangGraph,什么场景其实不该用? A:结论先行——**判断标准是"有没有条件分支、工具循环、暂停恢复这三类需求";有则非常适合,没有则普通函数、普通工作流引擎甚至一次模型调用可能更简单**。 | 需求 | 是否适合 | 原因 | |---|---|---| | 固定两步数据转换 | 可以,但普通函数可能更简单 | 图的价值有限,只是多了一层抽象 | | 根据校验结果分支、循环修复 | 非常适合 | 路由与终止条件变成显式的、可审查的结构 | | 要在用户审批后继续 | 非常适合 | checkpoint 与 interrupt 提供原生恢复能力 | | 仅想把一个 prompt 发给模型 | 不适合 | 直接调用模型即可,图只增加复杂度 | 另外,如果需求是"固定 ETL、定时批处理、强依赖 DAG 调度",Airflow / Dagster / Prefect 更合适;如果是"跨天任务、补偿事务、强一致工作流",Temporal 的持久执行与补偿语义更完整。这一点在面试里经常被追问,判断逻辑是:**LangGraph 的差异化优势是"把 LLM 的不确定决策约束在确定性的状态、Schema(模式)、路由、预算、权限和人工审批之内",也就是"可控 Agent Runtime(运行时)"。如果你的系统里根本没有不确定决策,用图框架就是在为一个不存在的敌人买单。** ### Q:LangGraph 和"普通状态机"或"工作流引擎"到底差在哪? A:结论先行——**差在"谁来做决策":普通状态机和传统工作流引擎里,下一跳由代码里的条件表达式决定;LangGraph 允许把"下一跳是什么"交给 LLM 产出的结构化结果,同时用状态、Schema、预算和权限把这部分不确定性重新框住**。 把这三种形态并排对比会更清楚: | 形态 | 决定下一跳的主体 | 典型问题 | |---|---|---| | 普通状态机 / 手写 if-else | 纯代码 | 面对开放式任务写不出完备规则 | | 传统工作流引擎(DAG 调度) | 静态 DAG + 代码条件 | 无法表达"边走边找路"的 Agent 行为 | | LangGraph | 代码条件 **或** LLM 的结构化输出 | 决策引入了不确定性,需要额外约束 | 这张表的最后一行就是全部的工程难点所在。当决策权部分交给了模型,你就必须回答四个问题:**这一步的输入是什么(State 契约)?输出必须是有限枚举吗(Schema 约束)?最多允许走几步、花多少钱(预算)?走错路怎么兜底(失败出口与人工审批)?** LangGraph 之所以被称为"可控 Agent Runtime",就是因为它把这四个问题的答案做成了框架的一等能力,而不是让每个团队各写一套。 ### Q:这类"编排框架"的边界在哪?什么信号说明我选错了? A:结论先行——**当你发现自己在用图框架表达一件本来纯确定性、纯批处理的事情时,就是选错的信号;反之,当你发现自己在手写状态快照、重试补偿、暂停续跑时,说明你正需要它**。 三个典型错配信号:**其一**,"我只需要按顺序调三个函数",却引入了 `StateGraph`、checkpoint 和条件边;**其二**,"我需要的是每天凌晨按依赖关系跑几百个批任务、看资产血缘",这属于调度系统领域,应该交给 Airflow / Dagster / Prefect;**其三**,"我需要跨天、跨服务的补偿事务与强一致",那是 Temporal 这类持久执行引擎的强项。 反过来,三个"你正需要它"的信号:**需要根据中间结果动态分支或循环修复**、**需要在副作用执行前暂停等人审批**、**需要在进程重启后从断点继续**。面试时如果能把"匹配信号"和"错配信号"都说出来,比单纯背 API 有说服力得多。 ## 二、理解核心机制:四个核心对象 ### Q:State、Node、Edge、Graph 各自负责什么?有什么设计约束? A:结论先行——**State 是节点之间唯一的共享契约,Node 是纯业务步骤,Edge 是显式控制流,Graph 是注册中心,`compile()` 之后才会变成可执行的 Runnable(可运行对象)**。 | 对象 | 作用 | 设计约束 | |---|---|---| | State | 节点共享的、可序列化的业务数据 | 不存连接、模型对象、密钥等运行时依赖 | | Node | `state -> 更新字典` 的业务步骤 | 尽量无副作用、可独立单测 | | Edge | 明确下一跳 | 固定边描述顺序;条件边描述分支 | | Graph | 注册节点、边和 State Schema | `compile()` 后才是可执行 Runnable | 这里有三条约束值得单独展开。**State 必须可序列化**:因为要写 checkpoint、要能跨进程恢复,所以数据库连接、HTTP 客户端、线程锁、模型实例这类东西一律不能进去。**Node 应当可独立单测**:给它一个字典,它返回一个字典,中间不依赖全局变量,这样你就能在完全离线、不花 token 的情况下测出大部分逻辑。**Edge 必须显式**:一旦你在节点内部用隐式方式决定"接下来去哪",这张图就无法被可视化、无法被重放、无法被测试,你等于放弃了这个框架最大的价值。 ### Q:一次 `invoke()` 内部到底是怎么推进的?"super-step"是什么意思? A:结论先行——**图不是"一个节点接一个节点地跑",而是以 super-step(超步)为单位推进:每个 super-step 里,所有处于激活状态的节点并行执行,等它们全部结束后,用 reducer 把各自的更新合并进 State,再据此计算下一批激活节点;checkpoint 也是按 super-step 粒度保存的**。 用一张最小图看就很直观:  *图:START 到 END 的三个节点,每个执行后都写回 State* ```text START ──> normalize ──> outline ──> render ──> END ↓ state ↓ state ↓ state ``` 它的执行节奏是:第一个 super-step 跑 `normalize`,合并出 `{"topic": "LangGraph"}`;第二个 super-step 跑 `outline`,合并出 `{"outline": ...}`;第三个 super-step 跑 `render`;最后一步碰到 `END` 结束。因为合并发生在"一个 super-step 内所有节点都完成之后",所以**同一个 super-step 中两个并行节点如果都写同一个字段,就必须靠 reducer 决定谁胜出**——这正是"状态与 Reducer 设计"要解决的核心问题。 补充一点版本相关的提示:super-step 的具体实现细节、并行调度策略、事件粒度会随 LangGraph 版本演进,**细节需结合版本确认**,但"按批推进 + 批末合并"这个心智模型是稳定的。 ### Q:`START` 和 `END` 是什么?为什么需要这两个哨兵节点? A:结论先行——**它们是框架提供的两个特殊标记:`START` 表示"图的入口,从哪些节点开始第一次激活",`END` 表示"到这里就结束,不再有下一跳";有了它们,图就有了明确的起点与终点,`compile()` 才能校验连通性**。 为什么要专门设计哨兵而不是"第一个注册的节点就是入口"?因为**显式优于隐式**。如果入口由注册顺序决定,那么只要有人调整了 `add_node` 的顺序,整张图的语义就可能悄悄改变,这种 bug 极难排查。用 `START` 显式声明入口后,"从哪里开始"变成了一个可读、可审、可被工具分析的声明。 `END` 的意义同样重要:**它让"这张图会在哪里停下来"成为可枚举的集合**。一个成熟的图应该能回答"所有可能的终止位置有哪些",并且这些终止位置应当对应明确的业务终态(比如 `resolved` 和 `failed`),而不是"跑到没边了就悄悄结束"。后面讲容错时会强调"失败出口",本质上就是要求每一条路径最终都汇聚到某个显式的 `END`。 ### Q:什么时候节点会并行执行?并行会带来什么新问题? A:结论先行——**当同一个 super-step 里有多个节点同时被激活时,它们会并行执行;并行本身不是问题,问题在于它们可能同时写同一个 State 字段,这必须由 reducer 来定义合并语义**。 典型的并行场景是"扇形展开":一个路由节点同时指向 A、B、C 三个检索节点,它们互不依赖,天然可以并发。此时你必须提前想清楚三件事:**其一,它们写的字段是不是同一个?**如果是,必须有 reducer;**其二,合并顺序是否有语义?**如果顺序敏感(比如对话消息),必须用保序的 reducer;**其三,并行度是否需要限制?**并发调用外部 API 会放大限流和成本风险,需要显式设上限。 还有一个容易踩的细节:**并行并不等于"一定更快"**。如果两个节点都要调用同一个限流严格的接口,并行只会让它们互相排队甚至双双失败。当节点之间存在隐藏的资源耦合时,串行反而更稳。判断标准是"资源是否真正独立",而不是"看起来能不能并"。 ### Q:为什么节点要返回"增量字典",而不是直接修改传进来的 State? A:结论先行——**因为节点的返回值是"我这一步想更新哪些字段"的声明,它由图的 reducer 统一合并;原地修改传入的 `state` 会让并行执行、重放、测试和 checkpoint 的行为变得不可推断**。 正确写法是只返回自己负责的字段: ```python def mark_ready(state: ArticleState) -> dict: # 正确:把变更交给图的 reducer 合并 return {"outline": state["outline"] + "\n4. 上线检查"} ``` 反例是 `state["outline"] = ...` 这种原地赋值。为什么它危险?因为:**其一**,并行节点可能同时改同一个对象,谁先谁后不确定;**其二**,一旦要恢复或重放,框架期望从 checkpoint 里的旧状态重新跑节点,原地修改会让"旧状态"实际上被污染;**其三**,单测时你无法只根据"输入 + 返回值"断言结果,因为副作用发生在入参上。把节点想象成"纯函数式更新"(输入只读、输出为增量),是写对 LangGraph 的第一条纪律。 ### Q:默认 reducer 是什么?为什么"覆盖"是默认行为? A:结论先行——**默认 reducer 就是"覆盖"(overwrite):同一字段的新值直接替换旧值**。 这个默认值的合理性在于:大多数业务字段确实是"取最新值"语义,比如 `status`、`answer`、`retry_count`。但有两类字段它明显不适用:**追加型**(消息列表、审计事件、分段结果)和**并行汇总型**(两个检索节点各自返回的引用列表)。这两类必须显式声明 reducer,例如用 `operator.add` 做追加、用 `add_messages` 处理对话消息、或用自定义函数做去重合并。 一个高频坑:两个并行检索节点都返回 `{"sources": [...]}`,你用默认覆盖,结果只会剩下其中一个节点写的结果,另一个悄无声息地丢了。所以面试里被问"默认 reducer 是什么、什么时候必须换",标准答法是:**默认覆盖适合单值字段,凡是"追加"或"多写者"语义都要显式声明 reducer;而并行写同一字段时不做任何声明,等于埋了一个结果可能丢失的坑。** ## 三、写出第一个最小图 ### Q:能给出一个完全不需要 LLM 和 API Key 的可运行示例吗? A:结论先行——**可以,而且强烈建议第一张图就用纯函数写。下面这段代码保存为 `minimal_graph.py` 后直接 `python minimal_graph.py` 即可运行,它把"清洗输入 → 生成大纲 → 渲染文章"三步串成一条直线图**。 ```python from typing import TypedDict from langgraph.graph import END, START, StateGraph class ArticleState(TypedDict): topic: str outline: str article: str def normalize_topic(state: ArticleState) -> dict: topic = state["topic"].strip() if not topic: raise ValueError("topic 不能为空") return {"topic": topic} def create_outline(state: ArticleState) -> dict: return {"outline": f"1. {state['topic']} 的定义\n2. 核心实践\n3. 常见陷阱"} def render_article(state: ArticleState) -> dict: return {"article": f"# {state['topic']}\n\n{state['outline']}"} builder = StateGraph(ArticleState) builder.add_node("normalize", normalize_topic) builder.add_node("outline", create_outline) builder.add_node("render", render_article) builder.add_edge(START, "normalize") builder.add_edge("normalize", "outline") builder.add_edge("outline", "render") builder.add_edge("render", END) app = builder.compile() if __name__ == "__main__": result = app.invoke({"topic": " LangGraph "}) print(result["article"]) ``` 预期输出: ```text # LangGraph 1. LangGraph 的定义 2. 核心实践 3. 常见陷阱 ``` 逐点解读这段代码里最容易被忽略的四个细节: 1. **State 用 `TypedDict` 定义**:它只描述字段名和类型,本身不产生运行时校验(类型校验依赖别的机制,具体行为**需结合版本确认**),但它是节点之间最清晰的契约文档。 2. **入口用 `START`、出口用 `END`**:它们是框架提供的哨兵节点,用来告诉图"从哪开始、到哪结束",而不是你自己命名的普通节点。 3. **每个节点函数只返回自己负责的字段**:`normalize_topic` 只回写 `topic`,`create_outline` 只回写 `outline`,谁也不碰别人的字段。 4. **节点内部不修改入参**:`strip()` 的返回值被写进新字典,而不是原地改 `state`。 注意 `normalize_topic` 里那句 `raise ValueError`。它演示了一个重要立场:**输入校验失败属于"程序异常",应该直接抛出并让调用方感知,而不是伪装成一个正常的业务分支**。业务失败(比如"没有检索到文档")才应写进 State 交给条件边处理——这条界线在"路由、循环与容错"里会展开。  *图:StateGraph 结构图* ### Q:`compile()` 到底做了什么?它和 `invoke()` 的边界在哪? A:结论先行——**`compile()` 是"从建图描述到可执行对象"的一步转换:它校验结构、把节点和边固化成一张运行时可调度的图,并接受可选参数(例如 checkpointer,检查点保存器);`invoke()` 才是真正触发一次执行并拿到最终 State 的入口**。 可以这样理解两者职责: ```text StateGraph(...) → builder:可变的建图期对象,登记节点和边 .compile() → app :不可变的运行期 Runnable,可以被反复 invoke/stream .invoke(x) → result :一次性跑完,返回最终 State(字典) ``` 工程上最重要的是**把建图期和运行期分开**:图在应用启动时 `compile()` 一次并复用,不要在每次请求里重新建图。很多"偶发性能抖动"或"连接泄漏"的问题,根源都是每请求重建了本应单例的对象。 ### Q:`invoke()`、`stream()`、`ainvoke()` 该怎么选? A:结论先行——**只看最终结果用 `invoke()`;需要看到每一步进度用 `stream()`;服务端并发场景用对应的异步版本 `ainvoke()` / `astream()`**。 最小示例里用 `invoke()` 是因为这章的关注点是"图的路径对不对",不是"进度怎么展示"。`stream()` 的价值在"流式输出与可观测性"里详细讲:它能按节点逐步吐出更新,非常适合做进度条和排障。这里先建立一个判断标准:**如果调用方需要"看到中间过程",就用流式;如果只需要"拿到最终产物",就用一次性执行**——不要为了"看起来先进"而在不需要流式的地方引入流式,那只会把序列化和错误处理的复杂度提前引入。 ### Q:不接模型的情况下,怎么验证这张图的路径是对的?有哪些调试手段? A:结论先行——**三个低成本手段:用 `stream(..., stream_mode="updates")` 观察每个节点的实际产出、用不同的初始 State 跑遍关键分支、把"路径是否完整"变成可枚举的断言**。 第一种是"逐节点回放":`updates` 模式会按节点吐出"谁改了什么字段",你能一眼看出某个字段是不是被预期之外的节点写了、某个节点的输出是不是空的。第二种是"输入矩阵法":把这章的三节点直线图换成后面带分支的图时,至少准备"正常输入""触发重试的输入""触发预算耗尽的输入"三类样本,看它们分别停在哪里。第三种是"路径清单法":把图的所有终止位置列成清单(成功、失败、超时、取消、权限拒绝),逐条确认可达——这是上线前检查清单里"图路径测试"的核心内容。 这三招的共同点是**不花一个 token**。所以在面试里被问到"你怎么调试 Agent 图",我会先答"把能确定的部分全部确定下来:先让纯函数跑通全部路径,再把模型塞进单个节点",而不是一上来就说"接 LangSmith 看 trace"。可观测性工具是必要的,但它不能替代"结构正确性"这件事。 ## 四、把确定性节点换成模型节点 ### Q:怎么把纯函数节点替换成模型调用?图结构需要改动吗? A:结论先行——**图的结构完全不需要因为接入模型而改变,你只是把一个节点的函数体换成了模型调用;模型实例应通过闭包、依赖注入或 `config` 传入,而不是写进 State**。 ```python # model = ChatOpenAI(model="你的模型名") def create_outline_with_model(state: ArticleState) -> dict: prompt = f"为主题 {state['topic']} 生成三条中文文章大纲。" # response = model.invoke(prompt) # return {"outline": response.content} return {"outline": prompt} # 演示:替换为实际调用 ``` 这段代码刻意注释掉了真实调用,是为了突出关注点:**变化只发生在"节点和外界交互的那一层"**。接入模型后,节点依然遵循同一条契约——读 State、产生内容、返回局部更新字典。 ### Q:为什么模型实例、数据库连接、密钥都不能放进 State? A:结论先行——**因为 State 要能被序列化并写进 checkpoint、还要能跨进程序列化恢复;任何不可序列化的运行时对象放进去,都会让恢复和持久化直接失效,同时还会把凭据泄漏风险引入到状态快照和日志里**。 正确的传递通道有三种,按清晰程度排序:**闭包捕获**(在工厂函数里把 `model` 包进节点函数)、**显式依赖注入**(构建图时把依赖作为参数传给节点工厂)、**运行配置**(通过 `config` 传入运行时参数,如租户 ID、模型名)。这三种方式都不会让密钥落到能被序列化的地方。面试里被问"State 里能放什么、不能放什么",可以一句话收口:**State 只放"可序列化的业务数据",所有"运行时依赖"都走依赖注入。** ### Q:为什么建议"先跑通确定性图,再接模型"? A:结论先行——**因为这样能严格区分"流程错误"和"模型输出不稳定"两类问题,把调试空间从"两个变量"压缩到"一个变量"**。 具体收益是:用纯函数跑通整张图,你就已经证明了边连对了、State 字段流转对了、循环能退出、终态能到达。此时再接模型,一旦出现异常,你可以果断判定问题出在"模型输出的内容或格式"上,而不是"我的图布线有问题"。这是本项目所有示例都优先采用确定性函数的原因,也是我在面试里最想听到的答案——**它体现的是可调试性意识,而不是 API 熟练度**。 ## 五、工程实践与踩坑 ### Q:第一次写 LangGraph 最常见的坑有哪些? A:结论先行——**高频坑集中在"状态被原地修改、依赖被塞进 State、图没连通、该用条件边却写了隐式跳转、以及把建图期对象每请求重建"这五类**。 | 坑 | 现象 | 正确做法 | |---|---|---| | 原地修改 State | 并行结果互相覆盖、重放结果不一致、单测难以断言 | 只返回局部更新字典,入参视为只读 | | 把依赖放进 State | checkpoint 序列化失败、密钥进入状态快照 | 闭包 / 依赖注入 / `config` 提供依赖 | | 图不连通 | `compile()` 报错,或运行到某节点后无路可走 | 保证 `START` 到 `END` 存在完整路径 | | 节点内隐式决定走向 | 路径无法可视化、无法重放和单测 | 把分支决策提到条件边里,用纯函数返回枚举 | | 每请求重建图 | 性能抖动、资源泄漏、状态无法复用 | 启动时 `compile()` 一次,运行期复用 | 另外两个容易忽略的细节:**一是**,无分支图用普通 `add_edge` 就够了,不要为了"以后可能分支"提前上条件边,那只是增加噪音;**二是**,把"输入校验"和"业务失败"分开——输入非法直接抛异常,业务上的"没找到"写进 State 走条件边。 ### Q:为什么"先定义 State,再写节点和提示词"是一条要反复强调的原则? A:结论先行——**因为 State 是节点之间唯一的契约,也是所有并行、恢复、审批、评测的公共基础;字段语义和归属一旦定错,后面写的每一个节点和每一段提示词都建在流沙上**。 具体来说,动手写代码之前,每个字段都应该能回答四个问题:**谁写入(唯一 writer 是谁)?谁读取?是否需要恢复(是否要进 checkpoint)?多个节点同时写时怎么合并(reducer)?** 这四个问题里只要有一个答不上来,就说明设计还不到位。 举个最小例子:最小图里的 `topic` 由 `normalize` 写入、由 `outline` 读取、需要出现在最终产物里,且只有一个写入者——四条全部清晰,所以不需要自定义 reducer。而如果哪天你加了一个"并行生成两版大纲、择优保留"的需求,`outline` 字段立刻就变成"多写者",必须补上合并语义,否则默认覆盖会静默丢掉一版。**State 的设计决策会一路传导到节点、边、测试和上线检查清单**,这就是为什么它值得放在最前面讲。 ### Q:本章结束后,应该怎么自查第一张图写对了没有? A:结论先行——**用四条检查清单过一遍即可:State 是否只含业务数据、节点是否只返回局部更新、`START` 到 `END` 是否有完整路径、分支需求是否用条件边表达**。 - [ ] `State` 只包含业务数据,并且所有节点输入、输出都与其匹配。 - [ ] 每个节点都返回字典形式的局部更新。 - [ ] 从 `START` 到 `END` 存在完整路径。 - [ ] 无分支图使用普通 `add_edge`;有分支时使用条件边。 这四条看似简单,但它们对应的正是后面所有章节的扩展方向:State 设计引出 reducer,路径完整性引出路由与循环退出,条件边引出容错与兜底。 ## 小结 - LangGraph 是"长运行、有状态、可恢复"任务的编排框架,核心心智模型是"共享 State + 显式 Edge + 按 super-step 推进"。 - `StateGraph` 是带状态合并规则的流程编排器,不是数据库、也不是 Agent;只有在节点里接上 LLM 和工具,它才成为 Agent。 - 四个核心对象各司其职:State 是唯一契约(可序列化)、Node 是纯业务步骤、Edge 是显式控制流、Graph 是注册中心,`compile()` 后才可执行。 - 节点返回"增量字典"而非原地修改 State;默认 reducer 是覆盖,追加型与多写者字段必须显式声明 reducer。 - 依赖(模型、连接、密钥)走闭包 / 依赖注入 / `config`,绝不进 State。 - 先跑通确定性图再接模型,能把"流程错误"和"模型不稳定"分开定位。 ## 思考题 1. 如果两个并行节点都返回 `{"topic": ...}` 且该字段没有自定义 reducer,最终 State 里会留下什么?这个行为对"并行检索去重"意味着什么? 2. 为什么"输入非法"应该抛异常,而"检索无结果"应该写进 State?如果反过来会带来什么问题? 3. 假设你要给这张三节点直线图加上"大纲长度校验,不通过则重新生成,最多三次",你会新增哪些字段、哪些节点、哪些边?请在纸上画出路径。 4. 把模型实例放进 State 会发生什么?请从 checkpoint 序列化和密钥安全两个角度分别说明。 5. 如果面试官问"LangGraph 相比把函数顺序调用有什么本质区别",你会用哪三个关键词回答?
预览
发布文章
添加摘要让读者更快了解文章内容
取消
确认发布
AI 写作助手
输入一个主题,AI 将为你生成一篇 Markdown 博客文章
AI 正在写作中...
取消
开始生成
AI 优化助手
描述你的修改需求,AI 将在原文基础上进行补充或微调
AI 正在优化中...
取消
开始优化
画布
从已有图里选
✕
图名
保存后生成 /images/excalidraw/<图名>.svg(只能用字母、数字、短横线、下划线、点)
取消
保存并插入