当前位置：首页 > news >正文

基于AI框架LangGraph对比Workflow模式与Agent模式

news 2025/10/28 9:00:58

一. 一段话总结

LangGraph 是 LangChain 生态中用于构建Workflows（工作流） 和 Agents（智能体） 的工具，其中 Workflows 基于预定义代码路径按固定顺序执行（如 Prompt Chaining、Parallelization 等模式），Agents 则具备动态决策能力，可根据环境反馈自主选择工具和操作流程；核心支持 LLM 增强（结构化输出、工具绑定），提供持久化、流处理、调试与部署等生产级能力，基础配置需安装 langchain_core、langchain-anthropic 等依赖并初始化 Anthropic（如 claude-3-5-sonnet-latest）等支持工具调用的 LLM，可满足文档翻译、多任务并行、动态路由、迭代优化等多样化业务需求。

二. 思维导图

三. 详细总结

1. 概述：Workflows 与 Agents 核心定义

LangGraph 聚焦于构建两种核心系统，二者在控制流和自主性上存在本质差异，具体对比如下：

类型	核心特征	控制流来源	典型适用场景
Workflows	基于预定义代码路径，按固定顺序执行	开发者预设	文档翻译、多任务并行处理、固定流程验证
Agents	动态决策，可根据环境反馈自主选择工具与流程	LLM 基于反馈自主判断	算术计算、未知问题求解、动态工具调用

同时，LangGraph 提供生产级支撑能力：持久化（状态存储）、流处理（实时输出）、调试（可视化工作流）、部署友好，降低从原型到生产的门槛。

2. 环境准备（Setup）

2.1 依赖安装

需安装 3 类核心依赖，命令如下：

pip install langchain_core langchain-anthropic langgraph

2.2 LLM 初始化

需使用支持结构化输出和工具调用的 Chat 模型（示例为 Anthropic），步骤如下：

配置环境变量：通过 getpass 动态输入 ANTHROPIC_API_KEY，避免硬编码；
初始化模型：指定模型为 claude-3-5-sonnet-latest（Anthropic 最新高性能模型），代码如下：

import os
import getpass
from langchain_anthropic import ChatAnthropicdef _set_env(var: str):if not os.environ.get(var):os.environ[var] = getpass.getpass(f"{var}: ")_set_env("ANTHROPIC_API_KEY")
llm = ChatAnthropic(model="claude-3-5-sonnet-latest")

3. LLM 增强能力：适配业务需求的核心手段

LangGraph 通过 “结构化输出” 和 “工具绑定” 两种核心方式增强 LLM 能力，满足不同场景需求：

3.1 结构化输出

基于 Pydantic 定义输出 Schema，确保 LLM 输出格式统一，适用于需要精准解析的场景（如查询生成、路由决策）。示例：定义搜索查询（SearchQuery）的 Schema 并增强 LLM：

from pydantic import BaseModel, Fieldclass SearchQuery(BaseModel):search_query: str = Field(None, description="优化后的网页搜索查询")justification: str = Field(None, description="查询与用户需求的相关性理由")structured_llm = llm.with_structured_output(SearchQuery)
# 调用：输出格式严格遵循 SearchQuery
output = structured_llm.invoke("Calcium CT 评分与高胆固醇的关系是什么？")

3.2 工具绑定

将自定义工具（如算术函数、API 调用）绑定到 LLM，让 LLM 可自主触发工具执行，适用于需要外部计算或数据的场景。示例：绑定乘法工具（multiply）并触发调用：

# 定义工具
def multiply(a: int, b: int) -> int:return a * b# 绑定工具到 LLM
llm_with_tools = llm.bind_tools([multiply])
# 调用：LLM 自动识别需求并触发工具
msg = llm_with_tools.invoke("2乘以3等于多少？")
# 获取工具调用结果
print(msg.tool_calls)  # 输出工具调用参数与名称

4. 核心 Workflow 模式：按场景选择预定义流程

LangGraph 提供 5 种核心 Workflow 模式，每种模式对应特定的任务拆分与执行逻辑，具体如下表：

模式名称	核心定义	适用场景	关键节点 / 逻辑	示例任务
Prompt Chaining （链式执行）	前一个 LLM 输出作为后一个 LLM 输入，按步骤执行可拆分的验证型任务	文档翻译、内容一致性验证、多步优化	1. 生成节点（如 generate_joke）；2. 校验节点（如 check_punchline）；3. 优化节点（如 improve_joke）	生成关于 “猫” 的笑话→校验笑点→优化趣味性
Parallelization （并行执行）	多个 LLM 并行执行独立子任务，最终聚合结果，提升效率或增加结果多样性	多维度内容生成、多标准评分	1. 并行生成节点（如 call_llm_1/2/3）；2. 聚合节点（如 aggregator）	同时生成 “猫” 的故事、笑话、诗，后合并输出
Routing （路由）	先通过 LLM 决策输入类型，再路由到对应子任务流程，适配多场景统一入口	产品问题分类解答（定价 / 退款 / 退货）、内容类型生成	1. 路由决策节点（如 llm_call_router）；2. 条件路由（如 route_decision）	根据用户请求 “写关于猫的笑话”，路由到笑话生成节点
Orchestrator-worker （总分总）	协调者（Orchestrator）拆分任务→工人（Worker）执行→合成者（Synthesizer）整合结果	多章节报告生成、多文件内容更新	1. 协调节点（如 orchestrator，拆分报告章节）；2. 工人节点（如 llm_call，写单章节）；3. 合成节点（如 synthesizer）	生成 “LLM 缩放定律” 报告，拆分章节→写章节→合并报告
Evaluator-optimizer （持续优化）	生成节点生成内容→评估节点判断是否达标→不达标则反馈优化，循环至合格	文本翻译优化、内容质量迭代（如笑话趣味性）	1. 生成节点（如 llm_call_generator）；2. 评估节点（如 llm_call_evaluator）；3. 条件路由（如 route_joke）	生成 “猫” 的笑话→评估趣味性→不达标则根据反馈重写

示意图-Prompt Chaining

示意图-Parallelization

示意图-Routing

示意图-Orchestrator-worker

示意图-Evaluator-optimizer

5. Agents 实现：动态决策的自主执行系统

Agents 是 LangGraph 中具备高度自主性的系统，核心逻辑为 “LLM 决策→工具执行→反馈循环”，适用于问题和解决方案不可预测的场景（如算术计算、动态工具调用）。

5.1 核心组件

工具集：用 @tool 装饰器定义的可调用函数（如算术工具 add/multiply/divide）；
LLM 决策节点：判断是否调用工具或直接返回结果（llm_call）；
工具执行节点：执行 LLM 触发的工具调用（tool_node）；
循环控制：根据 LLM 是否触发工具调用，决定继续循环或结束（should_continue）。

5.2 实现代码框架

# 1. 定义工具
from langchain.tools import tool
from langgraph.graph import MessagesState
from typing_extensions import Literal
from langgraph.graph import StateGraph, START, END
from common_llm import llm@tool
def multiply(a: int, b: int) -> int:return a * b
@tool
def add(a: int, b: int) -> int:return a + b
@tool
def divide(a: int, b: int) -> float:return a / bdef should_continue(state: MessagesState) -> Literal["tool_node", END]:'''决定是否继续循环或停止，根据 LLM 是否进行了工具调用'''messages = state["messages"]last_message = messages[-1]# 如果 LLM 进行了工具调用，那么执行工具调用if last_message.tool_calls:return "tool_node"# Otherwise, we stop (reply to the user)return END@tool
def add(a: int, b: int) -> int:"""加法运算，参数 a/b 为整数"""return a + btools = [add, multiply, divide]
tools_by_name = {tool.name: tool for tool in tools}
llm_with_tools = llm.bind_tools(tools)# 2. 定义节点与状态
from langgraph.graph import MessagesState
from langchain_core.messages import SystemMessage, HumanMessage, ToolMessagedef llm_call(state: MessagesState):"""LLM 决策是否调用工具"""return {"messages": [llm_with_tools.invoke([SystemMessage(content="算术助手")] + state["messages"])]}def tool_node(state: dict):"""执行工具调用"""result = []for tool_call in state["messages"][-1].tool_calls:tool = tools_by_name[tool_call["name"]]observation = tool.invoke(tool_call["args"])result.append(ToolMessage(content=observation, tool_call_id=tool_call["id"]))return {"messages": result}# 3. 构建 Agent 工作流
agent_builder = StateGraph(MessagesState)
agent_builder.add_node("llm_call", llm_call)
agent_builder.add_node("tool_node", tool_node)
agent_builder.add_edge(START, "llm_call")
agent_builder.add_conditional_edges("llm_call", should_continue, ["tool_node", END])
agent_builder.add_edge("tool_node", "llm_call")# 4. 调用 Agent
agent = agent_builder.compile()
messages = agent.invoke({"messages": [HumanMessage(content="3加4等于多少？")]})

6. LangGraph 核心优势总结

灵活性：支持 Workflows（固定流程）与 Agents（动态决策），适配从简单到复杂的业务场景；
生产级能力：提供持久化（状态存储）、流处理（实时输出）、调试（可视化工作流），降低部署难度；
LLM 增强友好：无缝支持结构化输出、工具绑定、记忆等增强手段，无需额外集成；
可视化与可调试：通过 draw_mermaid_png() 生成工作流图表，支持 xray=True 查看详细节点关系，便于问题定位。

四. 关键问题

问题 1：LangGraph 中的 Workflows 与 Agents 核心差异是什么？二者分别适用于什么场景？

答案：核心差异体现在控制流来源和自主性上。Workflows 的控制流由开发者预定义代码路径，执行顺序固定（如按 “生成→校验→优化” 步骤执行），自主性低；Agents 的控制流由 LLM 基于环境反馈自主决策，可动态选择工具、调整执行步骤，自主性高。适用场景：Workflows 适用于任务流程可预测的场景（如文档翻译、多章节报告生成）；Agents 适用于问题与解决方案不可预测的场景（如动态算术计算、未知问题的工具调用）。

问题 2：在 LangGraph 中，如何通过 “增强 LLM” 实现结构化输出？请结合示例说明核心步骤。

答案：通过 “Pydantic Schema 定义 + LLM 增强” 两步实现，核心是让 LLM 输出格式严格符合业务需求，步骤如下：

定义 Schema：基于 Pydantic 的 BaseModel 定义输出结构，指定字段名称、类型与描述（如搜索查询的 SearchQuery 包含 search_query 和 justification 字段）；
增强 LLM：调用 LLM 的 with_structured_output() 方法，传入定义的 Schema，生成结构化 LLM；
调用执行：用增强后的 LLM 处理用户请求，输出自动适配 Schema 格式。示例代码：

from pydantic import BaseModel, Field# 1. 定义 Schema
class SearchQuery(BaseModel):search_query: str = Field(None, description="优化后的网页搜索查询")justification: str = Field(None, description="查询与用户需求的相关性理由")# 2. 增强 LLM
structured_llm = llm.with_structured_output(SearchQuery)# 3. 调用执行
output = structured_llm.invoke("Calcium CT 评分与高胆固醇的关系是什么？")
print(output.search_query)  # 输出结构化的搜索查询
print(output.justification)  # 输出相关性理由

问题 3：LangGraph 的 Evaluator-optimizer 模式如何实现 “生成 - 评估 - 优化” 的闭环？其典型适用场景是什么？

答案：闭环通过 “生成节点→评估节点→条件路由” 三大组件实现，具体逻辑如下：

生成节点（Generator）：LLM 生成初始内容（如笑话），若有历史反馈则基于反馈优化生成；
评估节点（Evaluator）：用增强 LLM（绑定评估 Schema）判断内容是否达标（如笑话是否有趣），输出 “达标 / 不达标” 结果及优化反馈；
条件路由：若达标则结束流程，若不达标则将反馈传入生成节点，循环执行 “生成→评估”，直至内容合格。典型适用场景：需要迭代优化以满足明确标准的任务，如文本翻译（确保语义一致）、内容质量优化（如笑话趣味性、报告准确性）、创意内容打磨（如故事剧情优化）。