图解LangGraph第01章：快速入门

1.1 什么是 LangGraph

LangGraph 是 LangChain 团队推出的有状态、多步骤工作流框架。如果说 LangChain 是「一条流水线」，那 LangGraph 就是「一张导航图」。

图 1-1：LangChain vs LangGraph 架构对比

面试要点

LangGraph 本质上是一个有向图，每个节点可以是 LLM、工具或任意 Python 函数，边定义了节点间的流向。

1.2 为什么需要 LangGraph

当你的 AI 应用需要多步骤推理、循环迭代或人工介入时，LangChain 的线性链式调用就不够用了。

场景	LangChain	LangGraph
简单问答	✅ 适合	✅ 可以
ReAct 推理	⚠️ 需特殊处理	✅ 原生支持
多 Agent 协作	❌ 不支持	✅ 完整支持
人机交互	❌ 不支持	✅ 支持中断恢复
状态持久化	❌ 不支持	✅ Checkpointer

图 1-2：State 在节点间的流转过程

1.3 核心概念

1.3.1 State（状态）

State 是贯穿整个图的共享数据容器。你可以定义任意结构的状态：

pythonfrom typing import TypedDict, Annotated
from operator import add

class AgentState(TypedDict):
    # 自动累加消息（不覆盖，追加）
    messages: Annotated[list, add]
    # 当前城市
    city: str
    # 天气信息（可为 None）
    weather: str | None

Reducer 是什么？

Annotated[list, add] 告诉 LangGraph：每次更新 messages 时，用 add 函数合并。这样新消息会追加到历史，而不是覆盖。

1.3.2 Nodes（节点）

节点是处理函数，接收当前状态，返回要更新的字段：

python# 节点函数签名：输入 State，返回 dict
def extract_city(state: AgentState) -> dict:
    user_msg = state["messages"][-1].content
    city = extract_from_text(user_msg)  # 简单解析
    return {"city": city}

def fetch_weather(state: AgentState) -> dict:
    weather = call_weather_api(state["city"])
    return {"weather": weather}

图 1-3：Node 执行模型 — 输入 State，输出差量更新

关键理解

Node 只返回它想更新的字段，不需要返回整个 State。LangGraph 会用 Reducer 自动合并更新。比如只改了 city，messages 保持不变。

1.3.3 Edges（边）

边定义节点之间的流向：

pythonfrom langgraph.graph import StateGraph, START, END

# 构建图
graph = StateGraph(AgentState)

# 添加节点
graph.add_node("extract_city", extract_city)
graph.add_node("fetch_weather", fetch_weather)

# 添加边
graph.add_edge(START, "extract_city")           # 起点
graph.add_edge("extract_city", "fetch_weather")  # 普通边
graph.add_edge("fetch_weather", END)            # 终点

图 1-2：LangGraph 三要素

1.4 环境安装

bash# 基础安装
pip install langgraph langchain-openai

# 可选：状态持久化后端
pip install langgraph-checkpoint

# 验证版本
python -c "import langgraph; print(langgraph.__version__)"

版本要求

LangGraph 需要 Python 3.10+ 和 LangChain 0.1.20+。建议使用虚拟环境隔离依赖。

1.5 第一个 LangGraph 应用

实战：构建一个天气问答助手，从用户问题中提取城市并查询天气。

步骤 1：定义状态

pythonfrom typing import TypedDict, Annotated
from operator import add

class WeatherState(TypedDict):
    messages: Annotated[list, add]
    city: str
    weather: str | None

步骤 2：定义节点

pythondef extract_city(state: WeatherState):
    last_msg = state["messages"][-1].content
    city = extract_city_from_text(last_msg)
    return {"city": city}

def fetch_weather(state: WeatherState):
    weather = weather_api.get(state["city"])
    return {"weather": weather}

步骤 3：构建图

pythonfrom langgraph.graph import StateGraph, START, END

graph = StateGraph(WeatherState)
graph.add_node("extract_city", extract_city)
graph.add_node("fetch_weather", fetch_weather)

graph.add_edge(START, "extract_city")
graph.add_edge("extract_city", "fetch_weather")
graph.add_edge("fetch_weather", END)

app = graph.compile()  # 编译后才能执行

步骤 4：执行

pythonresult = app.invoke({
    "messages": [{"role": "user", "content": "北京今天天气怎么样？"}],
    "city": "",
    "weather": None
})
print(result["weather"])

图 1-4：LangGraph 执行流程 — compile() + invoke() 全链路

1.6 本章小结

LangGraph 是有状态的多步骤工作流框架
核心三要素：State（状态）、Nodes（节点）、Edges（边）
State 使用 Annotated[type, reducer] 定义，reducer 决定如何合并更新
图必须编译（compile）后才能执行
与 LangChain 的关系：LangGraph 构建在 LangChain 之上，专注复杂工作流

下章预告

第 2 章我们将深入学习 State 的高级用法：条件更新、多个 Reducer、以及如何设计复杂的状态结构。

快速入门：什么是 LangGraph