什么是 LangGraph？

// 定义状态结构
import { Annotation } from '@langchain/langgraph';

const StateAnnotation = Annotation.Root({
  messages: Annotation<string[]>({
    reducer: (prev, next) => [...prev, ...next],
  }),
  userQuery: Annotation<string>(),
  toolResults: Annotation<any[]>({
    reducer: (prev, next) => [...prev, ...next],
  }),
});

[!NOTE] 状态在整个图的执行过程中被持久化维护，这是实现多轮对话和复杂逻辑的关键。

2. 节点（Nodes）

节点是执行具体逻辑的函数单元。每个节点：

接收当前状态作为输入
执行特定逻辑（如调用 LLM、调用工具）
返回状态更新

// 示例：分析用户查询的节点
async function analyzeQuery(state: typeof StateAnnotation.State) {
  const { userQuery } = state;

  // 调用 LLM 分析用户意图
  const analysis = await llm.invoke([
    { role: 'system', content: '分析用户查询的复杂度' },
    { role: 'user', content: userQuery },
  ]);

  // 返回状态更新
  return {
    messages: [analysis.content],
    complexity: analysis.metadata?.complexity || 'simple',
  };
}

// 示例：处理简单查询的节点
async function handleSimpleQuery(state: typeof StateAnnotation.State) {
  const { userQuery } = state;

  const response = await llm.invoke([{ role: 'user', content: userQuery }]);

  return {
    messages: [response.content],
  };
}

3. 边（Edges）

边定义了节点之间的连接关系，分为两种：

普通边（Normal Edges）：固定的连接关系

graph.addEdge('nodeA', 'nodeB'); // nodeA 执行完后总是进入 nodeB

条件边（Conditional Edges）：基于状态动态决定下一步

// 路由函数：根据复杂度决定下一个节点
function routeBasedOnComplexity(state: typeof StateAnnotation.State) {
  if (state.complexity === 'simple') {
    return 'simple_responder';
  } else if (state.complexity === 'tool_required') {
    return 'tool_caller';
  } else {
    return 'complex_reasoner';
  }
}

graph.addConditionalEdges('analyzer', routeBasedOnComplexity);

4. 图（Graph）

图是所有组件的容器，负责编排执行流程。

import { StateGraph, START, END } from '@langchain/langgraph';

const graph = new StateGraph(StateAnnotation)
  // 添加节点
  .addNode('analyzer', analyzeQuery)
  .addNode('simple_responder', handleSimpleQuery)
  .addNode('tool_caller', callExternalTool)
  .addNode('complex_reasoner', handleComplexReasoning)

  // 定义边
  .addEdge(START, 'analyzer')
  .addConditionalEdges('analyzer', routeBasedOnComplexity)
  .addEdge('simple_responder', END)
  .addEdge('tool_caller', END)
  .addEdge('complex_reasoner', END)

  // 编译成可执行的应用
  .compile();

// 执行
const result = await graph.invoke({
  userQuery: '什么是 LangGraph？',
});

2 传统 LLM 应用的挑战

随着 LLM 技术的快速发展，开发者们发现传统的应用架构已经无法满足智能应用的复杂需求。

控制流固化问题

传统的 LLM 应用通常采用链式结构，执行路径是预先定义的：

问题表现：

🔒 路径固定：无论用户输入什么，都按相同步骤执行
🚫 缺乏适应性：无法根据上下文动态调整策略
⚡ 效率低下：即使简单问题也要走完整流程
🔄 难以扩展：添加新功能需要重构整个流程

复杂任务处理困难

现实世界的任务往往需要多步骤协调：

传统方式的问题

// 传统链式处理复杂任务的问题
async function traditionalApproach(userQuery: string) {
  // 步骤1：总是先调用 LLM
  const analysis = await llm.invoke(userQuery);

  // 步骤2：总是尝试工具调用（即使不需要）
  const toolResult = await callTool(analysis);

  // 步骤3：总是进行最终处理
  const finalResult = await llm.invoke(`${analysis} ${toolResult}`);

  return finalResult;
}

问题：

浪费资源在不必要的步骤上
无法处理需要多轮交互的复杂任务
错误处理困难

LangGraph 的解决方案

// LangGraph 动态处理复杂任务
const smartAgent = new StateGraph(StateAnnotation)
  .addNode('analyzer', analyzeQuery)
  .addNode('simple_responder', handleSimpleQuery)
  .addNode('tool_caller', callExternalTool)
  .addNode('complex_reasoner', handleComplexReasoning)
  .addConditionalEdges('analyzer', routeBasedOnComplexity)
  .compile();

优势：

根据任务复杂度选择合适路径
支持多轮交互和状态维护
优雅的错误处理和恢复

状态管理缺失

传统应用难以维护对话历史和上下文，容易导致“状态丢失”，使得多轮对话变得困难，且无法准确基于之前的交互进行推理。

3 LangGraph 的核心优势

1. 可控性（Controllability）

LangGraph 让开发者能够精确控制应用流程：

关键特性：

🎛️ 精确控制：开发者定义每个节点的行为
🔀 灵活路由：基于状态和条件的动态路径选择
🛡️ 错误处理：内置的异常处理和恢复机制

2. 持久化（Persistence）

支持状态保存和恢复，实现真正的记忆能力。

[!NOTE] 想象一个客服机器人，它能记住用户的历史问题、偏好以及当前的上下文，这就是持久化带来的威力！

(代码示例省略，请在后续章节查看详细实现)

3. 人机交互（Human-in-the-Loop）

支持在关键决策点暂停，等待人工干预。这对于敏感操作或需要人工确认的场景至关重要。

4. 流式处理（Streaming）

实时输出和响应，提升用户体验，避免用户长时间等待完整响应。

4 执行流程可视化

下面的序列图展示了 LangGraph 应用的典型执行流程：

关键点：

状态在整个执行过程中被维护和传递
LLM 可以在决策节点决定执行路径
循环和分支都是自然支持的

5 架构对比分析

传统架构 vs LangGraph 架构

特性	传统链式架构	LangGraph 架构
控制流	固定、线性	动态、图状
决策能力	预定义逻辑	LLM 自主决策
状态管理	无状态或简单状态	复杂状态管理
错误处理	基础异常处理	智能错误恢复
扩展性	难以扩展	高度可扩展
调试能力	有限	强大的可视化调试

6 实际应用场景与实践指导

典型场景

智能客服系统：处理复杂多变的用户请求，支持多轮对话和状态记忆。
代码生成助手：理解需求、生成代码、自我审查和优化。

何时选择 LangGraph？

适合使用 LangGraph 的场景：

✅ 需要动态决策的应用
✅ 复杂的多步骤任务
✅ 需要状态管理的对话系统
✅ 人机协作的工作流
✅ 需要工具调用的智能代理

继续使用传统方式的场景：

✅ 简单的单步处理任务
✅ 高度可预测的业务流程
✅ 对性能要求极高的场景

💡 练习题

选择题：LangGraph 中的节点函数通常返回什么？
- A. 完整的全新状态对象
- B. 部分状态更新对象
- C. 布尔值
- D. 空值
点击查看答案
正确答案是 B. 部分状态更新对象。节点通常返回增量更新，再由 reducer 合并进全局状态。
选择题：LangGraph 相比传统链式架构的优势不包括：
- A. 动态控制流
- B. 内置的 AI 模型训练功能
- C. 状态持久化
- D. 人机交互支持
点击查看答案
正确答案是 B. 内置的 AI 模型训练功能。 LangGraph 关注编排与执行，不负责训练基础模型。
思考题：如果你的应用只是简单地将用户输入发送给 LLM 并直接返回结果，是否需要使用 LangGraph？为什么？

点击查看答案
通常不需要。单轮问答用直接 LLM 调用更轻量。当你需要多步骤流程、状态管理、重试/中断/持久化时，再引入 LangGraph 更合适。
分析题：在上面的"执行流程可视化"流程图中，状态是在哪里被维护的？这与无状态的 API 调用有什么本质区别？

点击查看答案
状态由 Graph 的 State + reducer 维护，并可跨节点、跨轮次持续存在。无状态 API 每次请求互相独立，不会天然继承上一次执行上下文。

📚 参考资源

官方文档

LangGraph JS 官方文档

示例代码

LangGraph Examples

✅ 总结

本章要点：

LangGraph 的核心概念：将应用流程建模为图结构（状态、节点、边、图），提供了比传统链式结构更高的灵活性。
传统架构的挑战：控制流固化、状态管理缺失、复杂任务处理困难。
LangGraph 的核心优势：可控性、持久化、人机交互和流式处理。
架构对比：灵活性 vs 可预测性，动态控制流 vs 固定路径。
技术选型：选择架构时应根据任务的复杂度和需求进行权衡。

下一步：在下一篇文章中，我们将详细拆解《核心概念》，深入每个组件的具体用法。

登录以继续阅读

解锁完整文档、代码示例及更多高级功能。

立即登录

什么是 LangGraph？

登录以继续阅读

On this page