LangGraph教程：从零开始构建智能工作流
LangGraph是一个用于构建有状态、多步骤AI工作流的Python框架，它通过图结构管理LLM调用之间的依赖关系，特别适合需要条件分支、循环和记忆的复杂任务。许多开发者在使用LangChain时发现，对于非线性的对话或任务流程，传统的链式调用显得力不从心。LangGraph正是为解决这一问题而生，它允许你以有向图的形式定义节点和边，让每个节点执行一个函数（如调用模型、处理数据），通过边的条件判断实现动态决策。本教程将带你从环境搭建开始，逐步完成一个可运行的多步骤工作流示例。
准备工作与环境配置
首先确保你的Python版本在3.9及以上。LangGraph需要与LangChain配合使用，因此需要同时安装这两个库。推荐使用虚拟环境隔离项目依赖。打开终端，执行以下命令：pip install langgraph langchain langchain-openai。如果你使用的是Anthropic模型，可以替换为langchain-anthropic。此外，你需要准备一个API密钥，无论是OpenAI还是其他提供商，用于调用底层大模型。
关键数据：LangGraph在GitHub上已有超过8000颗星、npm包月下载量突破15万次、支持超过20种模型提供商、社区贡献的示例工作流超过200个。
安装完成后，在项目目录下创建一个Python文件，比如graph_demo.py。接下来我们将通过一个简单的问答流程来演示LangGraph的核心概念。
定义图结构与状态
LangGraph的核心是StateGraph，它需要一个状态类型来在节点之间传递数据。状态通常是一个TypedDict或Pydantic模型，用于存储对话历史、中间结果等信息。例如，定义一个包含messages列表的状态：from typing import TypedDict, List；class AgentState(TypedDict): messages: List。然后创建一个StateGraph实例：graph = StateGraph(AgentState)。这个图将作为整个工作流的容器，后续添加的节点和边都会注册到这个图上。
添加节点与边
节点是工作流的基本单元，每个节点接收当前状态并返回更新后的状态。例如，添加一个调用LLM的节点：def call_model(state): response = llm.invoke(state["messages"]); return {"messages": response}；graph.add_node("llm", call_model)。边则定义了节点之间的流转路径。最简单的是直接连接：graph.add_edge("start", "llm")。LangGraph支持条件边，通过一个函数判断下一步走向哪个节点，例如：def should_continue(state): if "完成" in state["messages"][-1].content: return "end"；else: return "llm"；graph.add_conditional_edges("llm", should_continue)。
1、创建状态类型：定义AgentState，包含messages字段。 2、添加节点：使用add_node方法注册每个处理步骤。 3、添加边：使用add_edge或add_conditional_edges定义流转逻辑。 4、设置入口和出口：用set_entry_point和set_finish_point指定图的起点和终点。
编译与运行工作流
定义完所有节点和边后，需要编译图以生成可执行对象：app = graph.compile()。编译过程会检查图的合法性，如是否存在未连接的节点或循环。然后就可以运行工作流了：result = app.invoke({"messages": ["你好，请介绍一下LangGraph"]})。调用invoke时传入初始状态，框架会自动按图结构执行，并返回最终状态。你可以通过打印result["messages"]查看模型生成的回复。对于更复杂的场景，LangGraph还支持流式输出和中断恢复。
进阶用法与调试技巧
实际项目中，你可能需要处理多个工具调用、人机交互或错误重试。LangGraph提供了内置的ToolNode用于集成外部工具，以及HumanNode用于暂停等待用户输入。在调试时，可以设置环境变量LANGGRAPH_DEBUG=1来查看每一步的状态变化。此外，使用get_graph()方法可以将图结构可视化，生成Mermaid流程图，帮助你理解工作流的执行路径。
● 工具集成：通过ToolNode把API调用、数据库查询等封装成节点。 ● 循环控制：使用条件边实现循环，直到满足退出条件。 ● 状态持久化：结合LangGraph的Checkpointer接口，将状态保存到文件或数据库。 ● 并行执行：利用ParallelNode同时运行多个独立节点，提升效率。
总结
通过本教程，你已经掌握了LangGraph的核心概念：状态定义、节点添加、边配置以及图编译运行。从简单的问答到多工具协作，LangGraph提供了一种灵活的方式来编排复杂的AI工作流。实际开发中，建议先从最小可行图开始，逐步添加分支和循环逻辑，利用调试工具验证每一步的行为。掌握LangGraph后，你将能构建出适应动态场景的智能应用。