StateGraph：状态管理核心

2.1 State 设计模式

State 是 LangGraph 的核心。本章深入探讨如何设计高效、可维护的状态结构。

2.1.1 基础 State 定义

python
from typing import TypedDict

class BasicState(TypedDict):
    messages: list[str]
    count: int
    result: str | None

2.1.2 带 Reducer 的 State

python
from typing import TypedDict, Annotated
from operator import add, itemgetter

class AdvancedState(TypedDict):
    # messages 会自动累加
    messages: Annotated[list, add]
    # count 会替换（非累加）
    count: int
    # 使用 itemgetter 只取最新的
    latest_msg: Annotated[str, itemgetter(-1)]

2.2 自定义 Reducer

除了内置的 add 和 itemgetter，你还可以定义自己的 Reducer。

python
from typing import TypedDict, Annotated

# 自定义 Reducer：只保留最近的 N 条消息
def keep_last_n_messages(existing, new, n=5):
    combined = existing + new
    return combined[-n:]

class ChatState(TypedDict):
    messages: Annotated[list, keep_last_n_messages]
    session_id: str

python
# 自定义 Reducer：合并字典
def merge_dicts(existing: dict, new: dict) -> dict:
    return {**existing, **new}

class AgentState(TypedDict):
    context: Annotated[dict, merge_dicts]
    step: int

2.3 条件状态更新

有时候需要根据当前状态有条件地更新某些字段：

python
from typing import TypedDict, Literal

class RouterState(TypedDict):
    next_node: Literal["node_a", "node_b", "END"]
    confidence: float

# 条件更新：根据 confidence 决定下一个节点
def route_based_on_confidence(state: RouterState) -> RouterState:
    if state["confidence"] > 0.8:
        return {"next_node": "node_a"}
    elif state["confidence"] > 0.5:
        return {"next_node": "node_b"}
    else:
        return {"next_node": "END"}

2.4 状态模式实战

2.4.1 ReAct Agent 状态

python
from typing import TypedDict, Annotated
from operator import add

class ReActState(TypedDict):
    messages: Annotated[list, add]  # 对话历史
    observations: Annotated[list, add]  # 工具执行结果
    reasoning: Annotated[list, add]  # 推理过程
    tool_calls: list[str]  # 调用的工具列表

2.4.2 对话 Agent 状态

python
from typing import TypedDict, Annotated
from operator import add

class ConversationState(TypedDict):
    messages: Annotated[list, add]  # 完整对话历史
    user_profile: dict  # 用户画像（会合并）
    conversation_turns: int  # 对话轮次
    intent: str | None  # 识别的用户意图

2.5 本章小结

• State 使用 TypedDict 定义，支持任意嵌套结构
• Annotated[type, reducer] 指定如何合并更新
• 内置 Reducer：add（累加）、itemgetter（取特定位置）
• 自定义 Reducer：(existing, new) -> result
• 合理的状态设计是构建复杂工作流的基础