智能体开发框架Langgraph基础流程和理论梳理

在大模型技术的应用过程中，智能体算是一个主要的技术方向；如果说把大模型比作人的大脑，那么智能体就是人的手和脚；大脑能够思考，但具体的事情还是需要手和脚才能做。

而Langgraph就是给大模型安装手和脚的工具；而我们学习Langgraph主要就是基于它强大的功能逻辑。在传统的人工智能应用开发中，包括Langchain框架，都是基于链式调用的方式，简单来说就是线性执行；一旦其中某个环节出现问题，那么整个链条就会陷入瘫痪。

但基于Langgraph开发的工作流却不同，它可以根据不同的场景和路径进行判断，可以实现循环调用和条件判断；而这就为大模型应用的开发提供了很强的灵活性，也更能满足我们的现实需求。

先来了解一下传统智能体开发过程中所面临的问题，在传统的智能体开发过程中主要使用Function call配合langchain或其它工作流开发框架；比如典型的Dify框架和字节的Coze就是典型的智能体配合工作流进行开发。

但这种方式有一个很明显的问题，就是整体都是通过链式调用来实现的；虽然集成了工作流但其延展性依然不是很好。

原因就在于链式调用存在一个很大的缺点就是，一旦处于链条中的某个节点出现问题，就会导致整个链条不可用；而且在异常处理中，由于节点执行的过程和结果并未保存，就导致无法重新恢复链式的执行过程。

但使用LangGraph就会很好的解决这个问题，因为LangGraph中使用的是状态图来保存节点执行的过程，当某个环节出现问题或者需要回溯整个执行过程时，就可以使用状态图来随时回到某个节点重新执行。

而这种方式在Langgraph中被称为时间旅行，也就是说可以追溯到整个智能体的执行过程和节点状态。

我们应该知道，智能体是为了解决复杂问题而出现的一项技术；里面涉及到大量的推理和决策过程，其就类似于我们人类在遇到复杂问题时，需要对问题进行拆解和规划，然后一步一步的去完成任务。

但在处理问题的过程中，我们肯定会遇到各种各样的问题，以及会犯各种各样的错误；这时问题处理过程中的记录就变得特别重要，因为这样才能复盘整个过程，以及找到问题发生的原因和节点。

而且，在事情处理的过程中，可能还需要其它决策者参与进来；比如说公司的项目运作，可能需要领导的审批或签字，亦或者需要其它人员中途参与。

所以，Langgraph实现了人工参与的功能，叫做人在回路；所谓的人在回路，就是Langgrap在智能体的执行过程中，随时可以进行中断；然后由人参与进来，之后再继续执行。

而这些场景的实现，更真实的接近我们人类现实社会中解决问题的逻辑；而这也是Langgraph强大的原因。

Langgraph的核心理论和模块

Langgraph主要由以下几个节点组成：

• 状态图

• 节点

• 边

• 检查点

状态图

状态图是一种数据结构，其生命周期存在于整个Langgraph过程中，所有节点的执行过程和结构都可以被记录到状态图中；而且每个节点也都可以随时方法状态图中的数据，来获取其当时的执行过程和结果，状态图是Langgraph实现上述功能的核心。

# 状态图from typing import Annotatedfrom typing_extensions import TypedDictfrom langgraph.graph import StateGraph, START, ENDfrom langgraph.graph.message import add_messagesclass State(TypedDict):    # Messages have the type "list". The `add_messages` function    # in the annotation defines how this state key should be updated    # (in this case, it appends messages to the list, rather than overwriting them)    messages: Annotated[list, add_messages]graph_builder = StateGraph(State)

节点

节点就比较容易理解了，节点的概念就是一个一个的智能体或功能函数；其主要作用就是用来执行具体的任务，比如说查询天气就调用天气查询接口。

边

如果说节点是一个函数，那么边就相当于判断逻辑中的分支，边决定了当前节点执行完毕之后，下一个执行的节点；当然，还有一种边叫做条件边，意思就是可以根据条件判断来动态决定应该执行哪个节点。

检查点

检查点说白了就是记忆存储的节点，我们都知道大模型没有记忆的功能，因此其每次执行对话等对大模型都是一次新的开始，因此就需要有一个外部记忆功能来保存当前任务的执行记录，也就是记忆；这样大模型就可以知道之前干了什么事，以及整个事情的执行过程。

而检查点就是做这个事情的，它的主要作用就是保存记忆；而它和状态图的区别是，状态图会随着整个工作流的执行在不同的节点进行流转；而检查点只记忆当前节点的历史记录；当然，不同的节点可以有各自的检查点。