当前位置：首页 > news >正文

LangGraph

news 2025/8/27 11:28:42

LangGraph 是由 LangChain 团队开发的开源框架，专为构建复杂、有状态、多主体（Multi-Agent）的 LLM 应用而设计。它通过图结构（Graph） 组织工作流，支持循环逻辑、动态分支、状态持久化和人工干预，解决了传统线性任务链在复杂场景中的局限性。以下从核心特性、技术架构、应用场景及实践案例展开详解：

🧠 一、核心特性与设计理念

图结构工作流（Graph-Based Workflow）
- 节点（Nodes）：代表执行单元（如调用 LLM、工具函数、人工审核），每个节点读取/更新全局状态。
- 边（Edges）：定义节点间的流转逻辑，支持条件跳转（如根据 LLM 输出选择分支）和循环边（如反复优化文本直到达标）。
- 优势：打破传统 DAG（有向无环图）限制，灵活处理迭代任务（如写作-审校循环）。
自动状态管理（State Propagation）
- 全局状态对象贯穿整个工作流，记录上下文（如对话历史、中间结果），无需手动传参。
- 持久化机制：通过 MemorySaver等模块将状态保存至内存/数据库，支持错误恢复、时间回溯（回退到历史状态）。
人类在环（Human-in-the-Loop）
- 可在关键节点嵌入人工审核（如医疗诊断结果确认），提升系统安全性与可控性。
多代理协作（Multi-Agent Orchestration）
- 将不同 Agent 封装为独立节点（如检索 Agent + 总结 Agent），通过状态共享实现分工协作。

⚙️ 二、技术架构与关键组件

底层模型融合
- 结合 Actor 模型（节点状态隔离）与 Pregel 计算模型（消息传递机制），实现高并发安全。
- 支持与 LangChain 生态集成（如提示模板、工具库），也可独立使用。
持久化与可观测性
- 检查点（Checkpointing）：自动保存状态快照，确保长周期任务（小时/天级）容错。
- LangSmith 集成：提供工作流可视化、执行路径追踪和实时监控能力。
流式处理与性能优化
- 无额外运行时开销，原生支持 Token 级流式输出（如逐词生成回复）。
- 可横向扩展至千级节点，适配企业级高并发场景。

🚀 三、典型应用场景

LangGraph 尤其适用于以下复杂任务：

场景类型	实现功能	案例
多轮对话系统	动态记忆上下文，根据意图跳转分支（如天气查询→旅行推荐）	智能客服（Klarna 路由用户请求至专用代理）
自动化工作流	循环迭代直至达标（如草稿生成→审校→循环优化）	Uber 的代码测试生成（效率提升 40%）
多代理协作	分工执行任务（检索 Agent + 分析 Agent + 撰写 Agent）	科研助手（调研→翻译→整合→输出）
人机协同流程	关键节点人工干预（如合同生成后法务审核）	医疗诊断系统（医生审核 AI 建议）

🛠️ 四、实战示例：构建搜索代理

以下代码展示基于 LangGraph 的代理工作流（决策→工具调用→循环优化）：

from langgraph.graph import StateGraph, MessagesState
from langgraph.prebuilt import ToolNode# 定义搜索工具
@tool
def search(query: str):return "查询结果：60°F，多云" if "sf" in query else "晴天"# 创建图
workflow = StateGraph(MessagesState)
workflow.add_node("agent", call_model)  # 调用 LLM 决策
workflow.add_node("tools", ToolNode([search]))  # 工具调用节点
workflow.add_conditional_edges("agent", should_continue)  # 条件分支：是否需工具
workflow.add_edge("tools", "agent")  # 工具执行后返回 Agent# 编译并运行
app = workflow.compile(checkpointer=MemorySaver())
final_state = app.invoke({"messages": [HumanMessage(content="旧金山天气？")]})
print(final_state["messages"][-1].content)

流程说明：