核心内容摘要
舌尖上的美学诗篇：心糖Logo与御梦子饼干的深度视觉与味觉解析
当 AI 技术从单一能力输出进阶到复杂任务闭环处理阶段具备流程调度与自主决策能力的智能体AI Agent已成为大模型开发的核心方向。
在众多 AI Agent 构建工具中LangGraph 凭借透明化、高可控、易扩展的特性脱颖而出成为衔接大语言模型LLM与真实业务场景的 “桥梁框架”。
无论是自动化客服、智能内容创作还是企业级数据分析助手LangGraph 都能提供坚实的底层支撑。
但对于刚接触 AI Agent 的开发者尤其是新手而言繁杂的技术概念往往让人望而却步。
本文以实战为核心带你彻底吃透 LangGraph 的核心逻辑手把手实现从理论到代码的落地让大模型应用开发不再难
LangGraph是什么LangGraph是一款专注于构建各类工作流程Workflow与智能体Agent的基础设施框架。
和众多力求简化操作的无代码No-code或低代码Low-code开发框架不同LangGraph走的是一条更注重透明性与可控性的道路——它不会对提示词或架构进行过多的抽象封装而是直接为开发者提供三大核心优势控制Control能轻松定义或组合各种工作流程与智能体每个环节都尽在掌控。
持久化Persistence框架可对图状态进行持久化存储这让开发记忆功能和人类干预功能成为可能。
测试、调试、部署Testing, Debugging, Deployment具备完善的测试、调试和部署支持让开发过程更顺畅。
这样的设计理念意味着使用LangGraph时你不会被框架的“黑盒”所限制而是能清晰了解每一步的执行逻辑并根据需求进行精准调整。
控制能力搭建你的首个图Graph
2.
核心概念解析在LangGraph里LLM应用被定义为一种图结构该图包含三个基本要素图状态Graph State图状态是所有基于LangGraph的LLM应用的核心任务执行过程中所需的全部信息都会存储在图状态中。
节点Nodes节点是更新状态的执行单元需要明确在哪些节点更新状态信息。
边Edges边是节点流转的路径描述了节点之间的连接关系。
简单来讲图状态是LangGraph的核心节点是更新状态的执行单元而边则是节点流转的路径。
2.
定义状态模式State schema在LangGraph中用StateGraph类来表示一个图。
在初始化StateGraph之前需要先定义一个状态模式它可以是Python中任何带有getattr()方法的对象例如字典、类或者Pydantic对象。
不同的选择各有特点TypedDict速度快但不支持默认值。
dataclass速度也很快支持state.foo的访问方式且支持默认值。
Pydantic速度较慢但支持数据验证。
让我们从一个简单的例子开始。
首先我们使用TypedDict来定义一个StateGraph对象import sys sys.path.append(..)from typing import TypedDict from langgraph.graph import StateGraph,START,END from src.agents_intro import model_with_tools,write_email # 导入之前的代码 from src.utils import show_graph classStateSchema(TypedDict):request:stremail:str workflow StateGraph(StateSchema)这里我们定义了一个包含request和email两个字段的 State schema然后用它初始化了一个StateGraph对象名称为workflow。
2.
添加节点Nodes和边Edges实际应用的图中会有很多边和节点边是不需要定义的但是节点需要提前定义好。
节点的作用是更新 graph state更新的方式需要关注一下默认情况下如果节点中更新了某个key的值会直接覆盖旧的值返回值中没有涉及的字段不会被更新。
def write_email_node(state: StateSchema) - StateSchema: # 处理请求的具体代码 output model_with_tools.invoke(state[request]) args output.tool_calls[0][args] email write_email.invoke(args) return{email:email}# 只更新email字段request字段保持不变在这个函数中email字段被覆盖更新而request字段并未更新因此保持不变。
LangGraph也支持自定义更新的逻辑。
定义好节点后我们需要将节点和边添加到图中workflow StateGraph(StateSchema)workflow.add_node(write_email_node,write_email_node)workflow.add_edge(START,write_email_node)workflow.add_edge(write_email_node,END)app workflow.compile()上述代码需要注意几个要点START和END是LangGraph默认的开始和结束节点边不需要单独定义只需要指定连接关系图需要compile之后才能运行
2.
执行简单流程现在我们可以执行这个简单的工作流程result app.invoke({request:写一封邮件给张三主题是关于项目进展内容是我们正在按照计划推进项目预计下周完成。
})执行后图状态被更新request字段保持不变email字段更新为write_email的输出。
这个流程是一个非常简单的直线流转Start - write_email_node - End。
2.
构建条件分支流程在实际应用中我们经常需要根据不同条件执行不同的逻辑。
LangGraph支持条件边让节点间的流转可以按条件执行。
首先我们定义两个新的节点call_llm用于根据用户的请求调用LLMrun_tool用于执行LLM输出的工具调用from langgraph.graph import MessagesState defcall_llm(state: MessagesState) - MessagesState: 运行LLM output model_with_tools.invoke(state[messages]) return{messages:[output]}defrun_tool(state: MessagesState) - MessagesState: 执行工具调用 result [] for tool_call in state[messages][-1].tool_calls: observation write_email.invoke(tool_call[args]) result.append({role:tool,content:observation,tool_call_id:tool_call[id]}) return{messages:result}这里有几个重要概念需要说明MessagesState是一个预定义的StateGraph子类包含messages字段当节点更新messages字段时会自动扩展extend初始数据而不是覆盖run_tool中的observation很好地体现了工具的作用与环境交互并返回交互结果作为LLM对外部环境的观察接下来我们定义条件判断函数from typing importLiteral defshould_continue(state: MessagesState) - Literal[run_tool, __end__]: 判断是否需要转到工具处理器或者结束 messages state[messages] last_message messages[-1] # 如果最后一条消息是工具调用 if last_message.tool_calls: returnrun_tool # 否则停止回复用户 return END NODE_NAME_MAPPER {run_tool:run_tool,END:END}这个函数判断是否需要使用工具并将返回值映射到对应的节点名称。
注意这里的END可以理解成和__end__是同一个内容。
最后我们通过add_conditional_edges函数将条件判断加入到图中workflow StateGraph(MessagesState)workflow.add_node(call_llm,call_llm)workflow.add_node(run_tool,run_tool)workflow.add_edge(START,call_llm)workflow.add_conditional_edges(call_llm,should_continue,NODE_NAME_MAPPER)workflow.add_edge(run_tool,END)app workflow.compile()这样我们就构建了一个具有条件分支的智能体它能够根据LLM的输出决定是否需要调用工具。
结构如下图所示条件分支图
2.
使用预构建的智能体为了方便开发者快速构建智能体LangGraph提供了一个抽象方法。
使用这个方法你可以快速的构建agent你只需要提供LLM作为大脑一组工具Prompt指令from langgraph.prebuilt import create_react_agent agent create_react_agent(modelllm,tools[write_email],prompt使用提供的工具完成用户的请求,)上述代码创建了一个 ReAct agent这个预构建的智能体本质上就是LLM借助工具与环境的循环交互它会自动处理工具调用的逻辑。
它的结构图如下预构建的智能体
持久化能力赋予智能体记忆LangGraph的持久化功能是其一大亮点它可以持久化存储图状态使开发记忆功能和人类干预功能成为可能。
3.
理解持久化概念在深入使用持久化功能之前我们需要理解几个核心概念Thread线程表示围绕一个特定主题展开的一系列相关讨论或消息的集合即主题线索或讨论串。
在LangGraph中thread可以理解为一次任务执行过程中不同时间点的所有状态的集合。
Checkpoint检查点表示在某个时间点thread的快照里面存储着当前时间点的状态信息。
Super-step超级步骤任务执行过程中每个顺序执行的节点被称为一个super-step。
从概念上讲快照StateSnapshot、Checkpoint、Super-step是同一时间点的不同层次的概念表达。
正如官方文档所说Checkpoint is a snapshot of the graph state saved at each super-step and is represented by StateSnapshot object.checkpointer有了持久化能力后任何时间任何步骤的状态信息都可以被存储下来这为我们后续在智能体中实现中断、回溯、恢复等一系列功能提供了基础。
3.
选择合适的存储方式Checkpoint是LangGraph中针对持久化存储所设计的一个抽象类它定义了如何将状态信息存储到不同的介质中。
LangGraph提供了多种Checkpoint的实现InMemorySaver将状态信息存储到内存中SqliteSaver将状态信息存储到SQLite数据库中PostgresSaver将状态信息存储到PostgreSQL数据库中让我们使用InMemorySaver来演示如何使用持久化功能from langgraph.checkpoint.memory import InMemorySaver agent create_react_agent(modelllm,tools[write_email],prompt使用提供的工具完成用户的请求,checkpointerInMemorySaver(),)对于自定义构建的智能体你可以使用下面的方式来指定持久化存储的实现。
graph workflow.compile(checkpointerInMemorySaver())
3.
实现对话记忆现在让我们看看持久化如何在实际应用中发挥作用。
首先我们需要为每个对话线程指定一个唯一的thread_id它完全是自定义的一个新的thread_id表示一个新的任务的开始config {configurable:{thread_id:1}}# 指定当前thread的id result agent.invoke({messages:[{role:user,content:给出一些写邮件的建议,}]},config)通过get_state方法我们可以通过thread_id获取最新的状态。
最新的state中保留着所有的历史对话信息config {configurable: {thread_id: 1}} state agent.get_state(config) for message in state.values[messages]: message.pretty_print()当我们继续对话时新的对话内容会被添加到最新的state中实现了真正的对话记忆功能# 继续对话 result agent.invoke({ messages: [{ role: user, content: 很好请使用第3条建议给我的同事写一封信告诉他项目进度一切正常。
, }] }, config)智能体能够记住之前提到的第3条建议并据此生成相应的邮件内容。
这展示了持久化功能如何让智能体具备了上下文记忆能力。
3.
查看历史状态LangGraph还提供了查看历史状态的功能。
通过get_state_history方法你可以获取某个thread的所有历史状态history agent.get_state_history(config) for state in history: print(fStep: {state.step}, Next: {state.next})这个功能对于调试和理解智能体的执行过程非常有用你可以清楚地看到每一步的状态变化。
4、
总结通过这篇文章我们深入了解了LangGraph的两大核心能力控制和持久化。
在控制能力方面LangGraph为我们提供了一个清晰而灵活的图构建方式。
通过State、Nodes和Edges的组合我们可以构建从简单的线性流程到复杂的条件分支流程。
无论是自定义构建还是使用预构建的智能体LangGraph都给了开发者足够的控制权让你能够精确地定义智能体的行为逻辑。
在持久化能力方面LangGraph通过Thread、Checkpoint和Super-step的概念为智能体提供了强大的状态管理和记忆功能。
这不仅让智能体能够记住历史对话还为实现更复杂的功能如中断恢复、人类干预等奠定了基础。
LangGraph的设计哲学是透明和可控它不会将复杂性隐藏在抽象层后面而是让开发者能够清楚地了解每一个环节的工作原理。
这种设计让LangGraph成为了构建生产级智能体应用的理想选择。
当你开始使用LangGraph时建议从简单的线性流程开始逐步掌握State、Nodes和Edges的
使用方法然后再探索条件分支和持久化功能。
随着对框架理解的深入你会发现LangGraph为构建复杂智能体系统提供了无限的可能性。
如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。
但是具体到个人只能说是“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。
我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。
那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。
我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2025 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。
正确的学习路线可以为你节省时间少走弯路方向不对努力白费。
这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。
在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。
以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有
年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。
风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。
本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
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技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。
以上全套大模型资料如何领取