LangGraph 深度解析：状态机驱动的 Agent 编排

核心架构：状态机视角

LangGraph 是 LangChain 团队推出的 Agent 编排框架，其核心思想是将 Agent 工作流建模为带状态的有向图。与传统 DAG 不同，LangGraph 的每个节点不仅执行逻辑，还会读写共享的 State 对象，使整个流程具备记忆和分支能力。

节点（Nodes）

节点是图的基本执行单元，通常对应一个函数，接收 state 并返回 state 的更新（或完整替换）。常见节点类型包括：

• LLM 节点：调用大模型生成回复或规划
• 工具节点：执行搜索、计算、API 调用
• 人工节点：暂停等待用户输入（human-in-the-loop）
• 路由节点：根据条件决定下一跳

边（Edges）

边定义节点间的流转关系：

• 普通边：add_edge(A, B) 表示 A 执行后无条件进入 B
• 条件边：add_conditional_edges(A, router_fn) 根据 router_fn(state) 的返回值决定下一节点
• 入口与出口：add_node 注册节点，通过 set_entry_point 和 set_finish_point 定义图的入口和出口

状态（State）

State 是贯穿全图的共享数据结构，通常用 TypedDict 或 Pydantic 定义。节点可以：

• 追加：如 messages 列表追加新消息
• 覆盖：如更新 current_step 字段
• 合并：LangGraph 支持 reducer 函数，自定义多节点并发时的状态合并策略

检查点（Checkpointers）

Checkpointer 将图执行过程中的状态快照持久化到存储（内存、Redis、Postgres 等）。这使得：

• 时间旅行：可以回溯到任意历史步骤重新执行
• 断点续跑：长时间任务中断后可从上次检查点恢复
• 人机协作：在 human 节点暂停，用户响应后再从该检查点继续

典型模式

ReAct 循环：llm → tools → llm 形成循环，通过条件边判断是否继续调用工具或结束

多 Agent 协作：不同节点代表不同 Agent，通过路由在不同专家间切换

子图：将复杂流程封装为子图，作为父图的一个节点调用，实现模块化

小结

掌握 LangGraph 的 nodes、edges、state 和 checkpointers，是构建可观测、可恢复、可扩展 Agent 系统的关键。其状态机模型天然支持循环与分支，比线性 Chain 更灵活，适合复杂多步任务编排。