AI开发-python-LangGraph框架（3-25-LangGraph介绍）
LangGraph：AI 智能体开发进阶方案
一、前言
在基于 LangChain 开发大模型应用时，绝大多数开发者入门阶段，都会采用原生链式调用的开发模式。 通过拼接提示词模板、大模型实例、输出解析器与自定义工具，搭配硬编码条件判断，就能快速实现基础问答、单步工具调用等轻量化需求。 这种开发方式逻辑直观、上手门槛低，非常适合流程固定、逻辑简单的短期场景。但随着业务复杂度升级，需要实现多轮推理、循环重试、分支分流、全局状态留存等能力时，纯手动编写的链式代码会高度耦合、冗余臃肿，后期维护与扩展难度急剧上升。 而在 LangChain 生态体系中，LangGraph 正是为解决复杂 AI 流程编排、工业化智能体开发而生的核心框架。
二、什么是 LangGraph
LangGraph 是 LangChain 官方推出的开源工作流编排框架，专为大模型智能体、复杂 AI 任务调度量身设计。 它摒弃了传统线性串联的链式结构，核心依托有向状态图理念，将 LLM 推理、工具调用、决策判断、答案生成等能力，拆分为独立可复用的节点，通过定向边配置流程流转规则，同时统一管理全局运行状态。 简单理解：LangGraph 是一套可分支、可循环、有状态、高可控的 AI 智能体调度引擎，核心用于构建具备自主思考、迭代纠错、复杂决策能力的高阶大模型应用。
三、LangGraph 核心作用
1、打破线性流程限制 传统链式调用属于单向流水线模式，执行步骤固定、无法回溯，仅能依靠代码硬写判断实现简单分支。 LangGraph 原生支持条件分支、循环迭代、自定义步骤跳转，完美适配智能体反思纠错、多轮检索、工具重复调用等复杂业务场景。
2、全局统一状态管理 内置轻量化共享状态容器，可在所有节点之间持久化传递数据，自动留存对话上下文、工具返回结果、决策记录、中间变量等内容。 彻底告别传统链式开发中，参数多层嵌套传递的冗余写法，大幅简化多步骤任务的数据交互逻辑。
3、贴合工程化落地需求 天然支持执行日志追溯、异常容错、断点续跑、人工介入审核，流程可视化程度高，便于线上调试与问题排查。 无论是多智能体协同、复杂 RAG 检索拆解，还是长周期任务持续执行，都能提供稳定可靠的调度能力。
4、无缝兼容 LangChain 生态 无需重构原有业务代码，可直接复用项目中已有的大模型实例、提示词、自定义工具、输出解析器等组件，实现从简单链式开发到图式化开发的平滑过渡。
四、LangGraph 核心特点
1、模块化图式编排 以「节点 + 定向边」搭建整体工作流，每个节点只负责单一职责，比如决策判断、外部工具调用、最终答案生成等。 业务逻辑高度解耦，结构清晰规整，新增需求、修改流程时只需调整对应节点与流转规则，迭代效率更高。
2、原生支持非线性流转 区别于传统链式只能单向执行，LangGraph 可根据大模型输出、业务结果动态判断下一步动作。 例如：信息不足自动二次检索、调用失败自动重试、回答不合格重新生成，轻松实现闭环自主推理逻辑。
3、轻量化有 state 设计 全程维护全局共享状态，所有节点可读可写，数据全局互通。 无需手动拼接上下文、缓存中间结果，天然适配多轮对话、长会话、复杂链式任务场景。
4、低侵入高灵活性 框架轻量化、无强制开发规范，开发者可自由自定义节点逻辑、流转条件、异常处理规则。 既能搭建极简轻量流程，也能支撑超大型、多节点、多分支的企业级复杂系统。
五、传统链式调用 与 LangGraph 对比
结合常规工具调用场景来看，传统原生多链路开发，需要手动编写大量判断逻辑，强行区分「直接回答」「调用工具后回答」两大分支。 一旦业务升级，需要增加多轮查询、多层判断、循环任务时，代码会快速膨胀，耦合严重，后期几乎难以扩展。
而 LangGraph 从架构层面解决了这类痛点： - 简单场景：轻量化使用，保持开发高效； - 复杂场景：无需重构底层逻辑，仅新增节点、配置流转规则即可快速扩展。
核心差异总结： - 流程模式：链式 = 线性单向；LangGraph = 非线性图结构 - 逻辑扩展：链式 = 硬编码判断；LangGraph = 原生分支 + 循环 - 状态管理：链式 = 参数层层传递；LangGraph = 全局统一状态 - 适用场景：链式 = 简单固定流程；LangGraph = 复杂智能体工业化落地
六、适用场景划分
✅ 优先使用传统链式调用 单轮简单问答、固定流程工具调用、短期演示项目、轻量化脚本开发。
✅ 强烈推荐接入 LangGraph 自主决策 AI 智能体、多轮工具检索、复杂业务流程编排、多智能体协作、长会话系统、企业级生产项目。
先看看没有LangGraph做流程编排的代码怎么写？
代码逻辑图如下：
代码部分：
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
# ==================== 1. 基础配置（极简版） ====================
# 配置LLM（保留核心，简化注释）
DEEPSEEK_API_KEY = 123
llm = ChatOpenAI(
api_key=DEEPSEEK_API_KEY,
base_url="http://192.168.0.100:8087/v1",
model="qwen3.5-35b-gptq",
temperature=0.3,
max_tokens=1024,
)
output_parser = StrOutputParser()
# ==================== 2. 定义工具（极简版） ====================
def searxng_search(query: str):
"""极简版搜索工具，模拟返回结果"""
print(f"🔍 调用搜索工具，关键词：{query}")
return "今天晴天，温度25度，适合外出游玩!"
# ==================== 3. 核心：多链路定义（重点突出） ====================
# 链路1：决策链路（判断是否需要调用工具）
decision_prompt = ChatPromptTemplate.from_template("""
你需要判断回答用户问题是否需要调用搜索工具：
1. 如果需要，直接返回搜索关键词（仅返回关键词，无其他内容）
2. 如果不需要，直接返回最终答案（仅返回答案，无其他内容）
用户问题：{input}
""")
decision_chain = decision_prompt | llm | output_parser # 决策链路-是否需要工具才能给出答案
# 链路2：答案生成链路（基于搜索结果生成最终答案）
answer_prompt = ChatPromptTemplate.from_template("""
根据搜索结果回答用户问题，要求简洁准确：
搜索结果：{observation}
用户问题：{input}
""")
answer_chain = answer_prompt | llm | output_parser # 答案生成链路
# ==================== 4. 代理执行（核心逻辑：多链路调用） ====================
def run_agent(user_input: str) -> str:
"""
核心逻辑：多链路调用
1. 调用决策链路，判断是否需要搜索
2. 如需搜索：调用工具 → 调用答案生成链路
3. 无需搜索：直接返回决策链路结果
"""
# 第一步：调用决策链路
decision_result = decision_chain.invoke({"input": user_input})
print(f"📝 决策链路输出：{decision_result}")
# 第二步：根据决策结果分支处理（多链路核心逻辑）
# 简单判断：如果是明显的需要需要查询的如"今天", "天气"
if any(keyword in decision_result for keyword in ["今天", "天气"]):
# 调用工具 + 调用答案生成链路
search_result = searxng_search(decision_result)
final_answer = answer_chain.invoke({
"input": user_input,
"observation": search_result
})
return final_answer
else:
# 无需搜索，直接返回决策链路结果
return decision_result
# ==================== 5. 测试调用 ====================
if __name__ == "__main__":
# 测试1：需要调用搜索工具（触发双链路）
print("【问题1】今天的天气如何？")
print("【回答1】", run_agent("今天的天气如何？"), "\n")
# 测试2：无需调用工具（仅触发决策链路）
print("【问题2】请讲一个简短的中文笑话")
print("【回答2】", run_agent("请讲一个简短的中文笑话"))
结果输出：
【问题1】今天的天气如何？
📝 决策链路输出：
今天天气
🔍 调用搜索工具，关键词：
今天天气
【回答1】
今天晴天，温度 25 度，适合外出游玩。
【问题2】请讲一个简短的中文笑话
📝 决策链路输出：
有一天，0 跟 8 在街上撞见了。0 不屑地看了 8 一眼，说：“胖就胖呗，还系什么腰带啊！”
【回答2】
有一天，0 跟 8 在街上撞见了。0 不屑地看了 8 一眼，说：“胖就胖呗，还系什么腰带啊！”
浙公网安备 33010602011771号