Background
最近在学习 AI Agent 相关的技术，LangGraph 是 LangChain 团队推出的一个用于构建有状态、多步骤 AI 工作流的框架。与传统 Chain 不同，LangGraph 支持循环、分支和状态管理，更适合构建复杂的 Agent 系统。
主要学习目标：
- 理解 LangGraph 的核心概念
- 掌握 StateGraph 的构建方法
- 构建一个可用的 Agent 原型
Environment
- Python 3.11+
- LangGraph >= 0.1.0
- LangChain >= 0.2.0
- OpenAI API Key
Steps
安装依赖
pip install langgraph langchain-openai
定义状态
LangGraph 的核心是状态图（StateGraph）。首先定义状态类型：
from typing import TypedDict, Annotated, Sequence
from langgraph.graph import StateGraph, END
class AgentState(TypedDict):
messages: list
next_step: str
completed: bool
定义节点
每个节点代表一个处理步骤：
def process_input(state: AgentState):
# 处理输入
return {"next_step": "analyze"}
def analyze(state: AgentState):
# 分析内容
return {"next_step": "respond", "completed": True}
构建图
workflow = StateGraph(AgentState)
workflow.add_node("input", process_input)
workflow.add_node("analyze", analyze)
workflow.add_node("respond", generate_response)
workflow.add_edge("input", "analyze")
workflow.add_conditional_edges(
"analyze",
lambda state: "respond" if state["completed"] else "input"
)
workflow.set_entry_point("input")
app = workflow.compile()
Problems
- 状态管理：初始版本没有正确管理状态，导致节点间的数据传递出错。
- 循环控制：条件边（conditional edges）的配置花了一些时间理解。
Solutions
- 状态合并：使用
Annotated类型和 reducer 函数来正确处理状态合并。 - 调试工具：使用 LangGraph 的调试模式查看每一步的状态变化。
Summary
LangGraph 是一个强大的框架，适合构建复杂的 AI Agent 工作流。下一步计划学习更高级的模式，如 Human-in-the-loop 和并行执行。