LangGraph 源码学习总结 2-图计算模型
从 BSP 到 LangGraph：图计算模型
本文梳理 BSP（整体同步并行）模型、Google Pregel 与 LangGraph 三者之间的思想传承与实现差异，揭示“超步”（Superstep）这一核心概念如何从大规模图计算走向智能体（Agent）工作流编排。
一、源头：BSP 模型与“超步”的诞生
BSP（Bulk Synchronous Parallel，整体同步并行） 由 Leslie Valiant 于 1989 年提出，是一种为并行算法提供简洁、可预测执行框架的计算模型。其核心由三部分构成：一组处理器-内存对、全局同步屏障和通信网络。
BSP 的执行以 “超步”（Superstep） 为单位，每个超步包含三个阶段：
- 本地计算：各处理器独立运算；
- 通信：发送消息（接收延迟到下一超步）；
- 全局同步：所有处理器等待彼此完成，再进入下一轮。
这种“计算 → 通信 → 同步”的循环，使得算法行为可分析、可容错，成为大规模并行系统的重要理论基础 。
二、Pregel：BSP 在图计算中的成功实践
2010 年，Google 发布 Pregel，将 BSP 模型应用于大规模图处理。Pregel 以顶点为中心，每个顶点拥有状态，并在每轮超步中并行执行 compute() 函数，通过消息传递与邻居通信。
“在 BSP 中，计算是一系列超步的序列。在每个超步中，每个进程读取消息、独立执行代码并发送新消息” 。
Pregel 的典型应用包括 PageRank、最短路径、连通分量等迭代式、整体推进的图算法：
- 迭代式：需多轮计算才能收敛；
- 整体推进：每轮所有活跃顶点必须同步完成，确保状态一致性。
这种设计极大简化了分布式图算法的开发，并支持通过超步边界进行 checkpoint 实现容错 。
三、LangGraph：Pregel 思想在 AI 工作流中的泛化
随着大语言模型（LLM）和智能体系统的兴起，开发者需要一种能表达状态化、循环、条件分支的执行模型。LangGraph 应运而生，并明确借鉴 Pregel 的设计哲学。
“LangGraph 将经过验证的 BSP/Pregel 模式应用于 AI 智能体协调。两者的相似之处令人瞩目” 。
1. 核心抽象的转变
| 维度 | Pregel | LangGraph |
|---|---|---|
| 图的含义 | 数据图（顶点=实体） | 控制流图（节点=计算步骤） |
| 计算单元 | 图顶点（并行） | 工作流节点（默认串行） |
| 通信机制 | 消息传递 | 共享全局状态 |
| 目标场景 | 大规模图算法 | LLM Agent、工具调用链 |
LangGraph 的“节点”不是图数据中的顶点，而是如 call_llm、run_tool、summarize 等函数，它们读写一个共享的状态对象，驱动工作流前进 。
2. “超步”在 LangGraph 中的新含义
尽管 LangGraph 的运行时名为 Pregel，且文档中提及“每个超步执行一组节点，更新状态，并通过边传递控制流” ，但其“超步”并非 Pregel 式的全局同步轮次。
在 LangGraph 中：
- 一个 “superstep” ≈ 一次状态更新周期；
- 默认情况下，每次只执行一个节点（串行）；
- 即使存在并行分支（如同时调用多个工具），也仅在局部同步，无全局屏障。
“Pregel 依据 BSP 模式将应用程序的执行划分为多个步骤” ，但 LangGraph 的“步骤”是逻辑推理步，而非数据并行轮次。
3. 迭代与递进的体现
LangGraph 通过循环边实现迭代，例如经典的 ReAct Agent 流程：
Agent → 决策是否需工具 → 是 → 调用工具 → 回到 Agent → … → 终止
状态在每一步递进演化，直到满足结束条件。这种“状态驱动的循环”继承了 Pregel “状态迭代”的精神，但放弃了其并行与同步机制，以适应 LLM 应用的顺序决策本质 。
四、为何借用“超步”？——概念映射与工程启示
LangGraph 使用“superstep”一词，主要出于三重目的：
- 传达计算范式：强调“离散、迭代、状态驱动”的执行模型；
- 致敬设计源头：明确其受 Pregel/BSP 启发 ；
- 保留扩展可能：为未来支持分布式执行或更强一致性模型预留概念接口。
然而，必须清醒认识到：LangGraph 的“超步”是抽象类比，而非技术复刻。它解决了 AI 工作流的可组合性与可调试性问题，而非图计算的高性能并行问题 。
五、总结：思想的迁移，而非代码的复制
从 BSP 到 Pregel，再到 LangGraph，我们看到一个经典计算模型如何在不同领域被重新诠释：
- BSP 提供了“超步 + 同步 + 消息”的并行计算骨架；
- Pregel 将其用于图数据顶点的并行迭代；
- LangGraph 则将其转化为控制流节点的状态机循环。
“LangGraph 基于 Pregel 模型运行图工作流，每个超步执行一组节点，更新状态” ，但这里的“超步”已是面向 AI 应用的语义升级。