Agent 实战教程：LangGraph 核心概念节点、边以及状态详解

发表于 更新于 分类于 本文字数： 4.6k 阅读时长 ≈ 4 分钟
本文详细讲解LangGraph的三大核心概念：状态（State）、节点（Nodes）和边（Edges）。状态是共享的数据结构，节点是包含智能体逻辑的函数，边是决定执行路径的函数。文章通过构建包含3个节点和条件边的简单图结构实例，深入浅出地介绍了超步骤、消息传递、图构建和调用等核心机制，为LangGraph智能体开发奠定坚实基础。

图结构（Graphs）

LangGraph 的核心是将智能体工作流建模为图结构。你可以通过三个关键组件来定义智能体的行为：

状态（State）

这是一个共享的数据结构，代表你应用程序的当前快照。它可以是任何数据类型，但通常使用共享状态模式来定义。

简单理解：就像是一个 “记事本”，记录着当前程序运行到什么状态了。

节点（Nodes）

这些是包含智能体逻辑的函数。它们接收当前状态作为输入，执行一些计算或操作，然后返回更新后的状态。

简单理解：就像是 “工作站”，负责干活，处理数据，完成具体任务。

边（Edges）

这些函数决定接下来要执行哪个节点，基于当前状态来判断。它们可以是条件分支或固定的转换路径。

简单理解：就像是 “交通指挥员”，告诉程序下一步该去哪里。

核心思想

通过组合节点和边，你可以创建复杂的、循环的工作流，让状态随时间不断演化。LangGraph 的真正优势来自于它如何管理这些状态。需要强调的是：节点和边本质上就是函数 - 它们可以包含大语言模型，也可以只是普通的代码。

简而言之：节点负责干活，边负责指路。

运行机制

LangGraph 的底层图算法使用消息传递来定义通用程序。当一个节点完成操作后，它会沿着一条或多条边向其他节点发送消息。接收消息的节点然后执行自己的函数，将结果消息传递给下一组节点，这个过程持续进行。这个设计灵感来自 Google 的 Pregel 系统，程序以离散的 “超步骤” 进行。

超步骤 (super-step) 的概念

  • 一个超步骤可以看作是对图节点的一次完整迭代

  • 并行运行的节点属于同一个超步骤

  • 顺序运行的节点属于不同的超步骤

执行流程

  1. 图执行开始时，所有节点都处于非活跃状态

  2. 当节点在任何传入边（或 “通道”）上收到新消息（状态）时，它变为活跃状态

  3. 活跃节点运行其函数并返回更新结果

  4. 在每个超步骤结束时，没有收到传入消息的节点会 “投票停止”，将自己标记为非活跃

  5. 当所有节点都是非活跃状态且没有消息在传输时，图执行终止

这就像是一个智能的流水线系统，每个工作站（节点）完成任务后，会自动将结果传递给下一个需要工作的站点，直到整个任务完成。

构建一个最简单的图结构

让我们构建一个包含 3 个节点和一个条件边的简单图。

状态（State）

首先，定义图的状态。

状态模式作为图中所有节点和边的输入模式。

我们使用 Python typing 模块中的 TypedDict 类作为模式，它为键提供类型提示。

1
2
3
4
5
6
7
8
9
10
11
12
13
import random
from typing import Literal
from typing import TypedDict

from langgraph.graph import StateGraph, END, START


# 定义状态 State
class State(TypedDict):
    graph_state: str



节点（Nodes）

节点就是 Python 函数。

第一个位置参数是状态，如上所定义。

因为状态是一个具有上述模式的 TypedDict，每个节点都可以通过state['graph_state']访问键graph_state。

每个节点返回状态键graph_state的新值。

默认情况下，每个节点返回的新值将覆盖之前的状态值。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

# 定义节点 None

def node_1(state: State):
    print("我在运行节点1的功能")
    return {"graph_state": state["graph_state"] + ",我的心情是:"}


def node_2(state: State):
    print("我在运行节点2的功能")
    return {"graph_state": state["graph_state"] + "开心的！"}


def node_3(state: State):
    print("我在运行节点3的功能")
    return {"graph_state": state["graph_state"] + "伤心的！"}def node_1(state):
    print("---节点 1---")
    return {"graph_state": state['graph_state'] + " 我是"}

def node_2(state):
    print("---节点 2---")
    return {"graph_state": state['graph_state'] + " 开心的！"}

def node_3(state):
    print("---节点 3---")
    return {"graph_state": state['graph_state'] + " 伤心的！"}

边（Edges）

边连接节点。

普通边：如果你想要总是从 node_1 跳转到 node_2，可以使用普通边。

条件边：如果你想要在节点之间进行可选路由，可以使用条件边。

条件边被实现为函数，根据某些逻辑返回下一个要访问的节点。

1
2
3
4
5
6
7
8
9
10

def decide_mood(state: State) -> Literal["node_2", "node_3"]:
    # 用户的输入决定了下一个访问节点
    user_input = state["graph_state"]

    if random.random() < 0.5:
        return "node_2"
    return "node_3"


图构建（Graph Construction）

现在，我们从上面定义的组件构建图。

StateGraph 类是我们可以使用的图类。

首先，我们用上面定义的 State 类初始化一个 StateGraph。

然后，添加节点和边。

我们使用 START 节点（一个将用户输入发送到图的特殊节点）来指示图的起始位置。

END 节点是表示终端节点的特殊节点。

最后，我们编译图以对图结构执行一些基本检查。

我们可以将图可视化为 Mermaid 图表。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
# 构建图：基于节点+边
builder = StateGraph(State)
# 添加节点
builder.add_node("node_1", node_1)
builder.add_node("node_2", node_2)
builder.add_node("node_3", node_3)

# 添加边
builder.add_edge(START, "node_1")
builder.add_conditional_edges("node_1", decide_mood)
builder.add_edge("node_2", END)
builder.add_edge("node_3", END)

# 编译图
graph = builder.compile()
# 显示工作流
png_data = graph.get_graph().draw_mermaid_png()
with open("graph.png", "wb") as f:
    f.write(png_data)

图的调用（Graph Invocation）

编译后的图实现了可运行协议。

这提供了执行 LangChain 组件的标准方式。

invoke是此接口中的标准方法之一。

输入是一个字典{"graph_state": "你好，我是Lance。"}，它为我们的图状态字典设置初始值。

当调用invoke时，图从 START 节点开始执行。

它按顺序通过定义的节点（node_1、node_2、node_3）进行。

条件边将使用 50/50 决策规则从节点 1 跳转到节点 2 或 3。

每个节点函数接收当前状态并返回一个新值，该值覆盖图状态。

执行持续到到达 END 节点。

1
2
3
response = graph.invoke({"graph_state": "你好，我是小明"})
print(response)

输出：

1
2
3
4
我在运行节点1的功能
我在运行节点2的功能
{'graph_state': '你好，我是小明,我的心情是:开心的！'}

执行说明

invoke同步运行整个图。

它等待每个步骤完成后再移动到下一个步骤。

它在所有节点执行完毕后返回图的最终状态。

在这个例子中，它返回 node_2 完成后的状态：

{'graph_state': '你好，我是小明,我的心情是:开心的！'}

/ 作者：致 Great

/ 作者：欢迎转载，标注来源即可

Agent 实战教程：LangGraph 中工作流与智能体区别与实现

Agent 实战教程：LangGraph 相关概念介绍以及快速入门

Deep Agents：用于复杂任务自动化的 AI 代理框架

一图概览 2024 年到 2025 年 AI Agent 的发展趋势

警惕 AI 智能体构建误区：生产级系统的实战经验分享

AI 代理的上下文工程：构建 Manus 的经验教训

基于 Gemini API 进行大模型函数调用的指南与经验总结

Kimi K2 智能体能力的技术突破：大规模数据合成 + 通用强化学习

构建 AI Agent 的完整实战指南：从邮件助手案例看 6 步落地方法

企业级 AI 智能体系统的 5 种核心工作流模式

Context Engineering：从 Prompt Engineering 到上下文工程的演进

如何用 LangGraph 打造 Web Research 多智能体系统

智能体框架：11 个顶级 AI Agent 框架！

Anthropic 关于智能体的经验分享：如何构建高效的 Agent？

AI 智能体框架对比表

Gemini 开源项目 DeepResearch：基于 LangGraph 的智能研究 Agent 技术原理与实现

智能体卷疯了，又一款 Agent 框架开源了 Lemon AI

大模型 Agent 就是文字艺术吗？

xAI 把 Grok 的系统提示词全部公开了，我们看看 DeepResearch 的系统提示词怎么设计的?

OpenAI API JSON 格式指南与 json_repair 错误修复

txtai：全能 AI 框架

Suna - 开源智能体助手

谷歌的 A2A 到底是什么东西？

如何在 Agent 中设置 Memory

体验智能体构建过程：从零开始构建 Agent

AI 代理是大模型实现可扩展智能自动化的关键

Agent 系列教程 01 - 什么是 Agent？当今为什么这么重要？