第 4 章 · LangGraph 概述与 StateGraph 入门
本章目标：
- 理解 LangGraph 的定位：低层级编排运行时，区别于 LangChain agents
- 掌握 StateGraph 最小示例：节点、边、状态、编译与执行
- 理解 MessagesState 与自定义状态
- 区分 LangGraph Runtime 与 Deep Agents Harness 的关系
4.1 为什么需要 LangGraph
LangChain agents 提供开箱即用的架构（如 ReAct、Plan-and-Execute），但缺乏对执行流程的精细控制。LangGraph 填补了这个空白：
LangGraph 是一个低层级编排框架和运行时，用于构建、管理和部署长期运行的状态化 Agent。它允许你将确定性逻辑与 LLM 驱动的决策混合在同一个图中。
核心差异：
| 特性 | LangChain Agents | LangGraph |
|---|---|---|
| 抽象层级 | 高级 | 低层级 |
| 流程控制 | 黑盒循环 | 显式图结构 |
| 状态持久化 | 有限 | 内置 Checkpointer |
| Human-in-the-loop | 不支持 | 原生支持 |
| 调试 | 困难 | LangSmith 可视化 |
4.2 最小 Hello World
python
from langgraph.graph import StateGraph, MessagesState, START, END
# 定义节点：简单的 LLM 调用
def mock_llm(state: MessagesState) -> dict:
return {
"messages": [
{"role": "assistant", "content": "Hello from LangGraph!"}
]
}
# 构建图
graph = StateGraph(MessagesState)
graph.add_node("llm", mock_llm)
graph.add_edge(START, "llm")
graph.add_edge("llm", END)
compiled = graph.compile()
# 执行
result = compiled.invoke({
"messages": [{"role": "user", "content": "hi!"}]
})
print(result["messages"][-1]["content"])4.3 StateGraph 核心概念
python
from langgraph.graph import StateGraph, MessagesState, START, END
from typing import TypedDict
# 自定义状态：在 MessagesState 基础上添加 metadata
class AgentState(MessagesState):
context: list[str] # 检索到的上下文
step_count: int # 已执行步骤数
final_answer: str # 最终答案
# 各节点函数
def search_node(state: AgentState) -> dict:
"""检索相关文档"""
return {
"context": ["文档A内容", "文档B内容"],
"step_count": state.get("step_count", 0) + 1
}
def llm_node(state: AgentState) -> dict:
"""调用 LLM 生成回答"""
context = " ".join(state.get("context", []))
return {
"messages": [{"role": "assistant", "content": f"基于上下文: {context}"}],
"step_count": state["step_count"] + 1
}
# 构建图
workflow = StateGraph(AgentState)
workflow.add_node("search", search_node)
workflow.add_node("llm", llm_node)
workflow.add_edge(START, "search")
workflow.add_edge("search", "llm")
workflow.add_edge("llm", END)
graph = workflow.compile()4.4 与 LangChain Agents 的关系
python
# LangGraph 可以与 LangChain 组件结合使用
from langchain.chat_models import ChatOpenAI
from langchain.tools import tool
@tool
def get_weather(city: str) -> str:
"""获取城市天气"""
return f"{city} 今天晴朗，25°C"
# 使用 LangChain 的 LLM + LangGraph 的图编排
llm = ChatOpenAI(model="gpt-4o-mini")
# ... 将 LLM 调用封装为图节点💡 更详细的工具调用见 第 5 章。
4.5 编译与执行模式
python
# 同步执行
result = graph.invoke({"messages": [...]})
# 流式执行（见第 8 章）
for event in graph.stream({"messages": [...]}):
print(event)
# 异步执行
async_result = await graph.ainvoke({"messages": [...]})本章小结
- LangGraph 是低层级编排运行时，提供精细的图结构控制
StateGraph+MessagesState是最小起步单元- 自定义状态继承
MessagesState并扩展字段 - 与 LangChain 组件可混合使用
🛠️ 动手实践
- 实现一个最小 LangGraph 应用：两个节点（ greeted → end），输出 "Hello LangGraph!"
- 扩展 StateGraph，添加自定义状态字段（如
conversation_id） - 使用
graph.stream()实现流式输出
🧪 随堂测验
点击你认为正确的选项。答错时会展示正确答案与原因解析。
1. LangGraph 的核心定位是什么？
2. StateGraph 的第一个参数是什么？
3. START 和 END 节点的作用是什么？
4. LangGraph 与 LangChain Agents 的主要区别是什么？