🚀 LangGraph 快速入门：构建可控的多步骤 AI Agent

如果你已经用过 LangChain，但觉得 Agent 不够稳定、流程不可控，那么你一定要看看 LangGraph。

---

一、什么是 LangGraph？

LangGraph 是 LangChain 推出的一个用于构建 可控、多步骤、可循环的 AI Agent 框架。

👉 核心一句话：

LangGraph = 用“状态机 + 图结构”来控制大模型执行流程

---

🤔 为什么需要 LangGraph？

传统 LangChain Agent 的问题：

问题	表现
❌ 不可控	LLM 自己决定下一步
❌ 难调试	出错路径不清晰
❌ 不稳定	prompt 变化影响大
❌ 无法复杂流程	比如循环 / 分支

---

✅ LangGraph 的优势

能力	说明
🧠 状态管理	每一步共享 state
🔁 支持循环	可以反复推理
🌳 显式流程	类似 DAG / 工作流
🧩 可插拔节点	每个节点就是函数
🔍 可调试	每一步可观测

---

二、核心概念（必须理解）

---

1️⃣ State（状态）

LangGraph 的核心是一个全局状态对象：

from typing import TypedDict

class State(TypedDict):
    question: str
    answer: str
    steps: list

👉 所有节点共享这个 state

---

2️⃣ Node（节点）

一个节点就是一个函数：

def call_llm(state):
    return {"answer": "这是LLM回答"}

👉 输入：state
👉 输出：state 的更新部分

---

3️⃣ Edge（边）

定义执行流程：

A → B → C

或者：

A → (条件判断) → B / C

---

4️⃣ Graph（图）

整个 Agent 的执行流程：

START → 思考 → 调用工具 → 总结 → END

---

三、5分钟上手示例（最小可运行）

---

📦 安装

pip install langgraph langchain openai

---

🧠 示例：一个简单问答 Agent

---

Step 1：定义 State

from typing import TypedDict

class MyState(TypedDict):
    question: str
    answer: str

---

Step 2：定义节点

from langchain.chat_models import ChatOpenAI

llm = ChatOpenAI()

def ask_llm(state: MyState):
    response = llm.invoke(state["question"])
    return {"answer": response.content}

---

Step 3：构建 Graph

from langgraph.graph import StateGraph

builder = StateGraph(MyState)

builder.add_node("llm", ask_llm)

builder.set_entry_point("llm")

builder.set_finish_point("llm")

graph = builder.compile()

---

Step 4：运行

result = graph.invoke({
    "question": "什么是LangGraph？"
})

print(result["answer"])

---

四、进阶：实现一个“会思考+用工具”的 Agent

👉 这是 LangGraph 真正强大的地方

---

🎯 场景：问问题 → 判断是否需要搜索 → 再回答

---

Step 1：扩展 State

class AgentState(TypedDict):
    question: str
    need_search: bool
    context: str
    answer: str

---

Step 2：思考节点

def decide(state):
    if "最新" in state["question"]:
        return {"need_search": True}
    return {"need_search": False}

---

Step 3：搜索节点（模拟）

def search(state):
    return {"context": "搜索到的结果"}

---

Step 4：回答节点

def generate(state):
    if state["need_search"]:
        return {"answer": f"基于搜索：{state['context']}"}
    return {"answer": "直接回答"}

---

Step 5：条件分支（关键）

def route(state):
    if state["need_search"]:
        return "search"
    return "generate"

---

Step 6：构建 Graph

builder = StateGraph(AgentState)

builder.add_node("decide", decide)
builder.add_node("search", search)
builder.add_node("generate", generate)

builder.set_entry_point("decide")

builder.add_conditional_edges(
    "decide",
    route,
    {
        "search": "search",
        "generate": "generate"
    }
)

builder.add_edge("search", "generate")

builder.set_finish_point("generate")

graph = builder.compile()

---

🧪 运行

graph.invoke({
    "question": "今天AI领域有什么最新进展？"
})

---

五、LangGraph vs LangChain Agent

对比	LangChain Agent	LangGraph
控制方式	LLM决定	开发者控制
流程	隐式	显式
可调试性	差	强
支持循环	弱	强
适合场景	简单问答	复杂Agent

---

六、典型应用场景（你重点关注）

结合你现在在做的方向 👇

---

🔥 1. 多轮推理 Agent（ReAct升级版）

思考 → 工具 → 反思 → 再思考

---

🔥 2. RAG增强系统

问题 → 检索 → 重排序 → 生成 → 校验

👉 比 LangChain 更可控

---

🔥 3. 企业级工作流（你那个新能源项目非常适合）

用户问题
   ↓
意图识别
   ↓
多数据源查询（SQL / 向量 / API）
   ↓
融合推理
   ↓
结果审计

---

🔥 4. 多Agent协作

Planner → Executor → Reviewer

---

七、调试与可视化（强烈推荐）

LangGraph 支持可视化：

graph.get_graph().draw_png("graph.png")

👉 可以直接看到流程结构（类似 DAG）