LangGraph 的核心构建模块

要使用 LangGraph 构建应用程序，需要理解其核心组件。让我们探索构成 LangGraph 应用程序的基础构建模块。

LangGraph 应用程序从 entrypoint 开始，根据执行情况，流程可能流向不同的函数直到抵达 END。

1. 状态（State）

State 是 LangGraph 中的核心概念，表示流经应用程序的所有信息。

from typing_extensions import TypedDict

class State(TypedDict):
    graph_state: str

状态是 用户自定义 的，因此需要仔细设计字段以包含决策过程所需的所有数据！

💡 提示: 仔细考虑应用程序需要在步骤之间跟踪哪些信息。

2. 节点（Nodes）

Nodes 是 Python 函数。每个节点：

接收状态作为输入
执行某些操作
返回状态更新

def node_1(state):
    print("---Node 1---")
    return {"graph_state": state['graph_state'] +" I am"}

def node_2(state):
    print("---Node 2---")
    return {"graph_state": state['graph_state'] +" happy!"}

def node_3(state):
    print("---Node 3---")
    return {"graph_state": state['graph_state'] +" sad!"}

举例, 节点可以包含：

LLM 调用: 生成文本或做出决策
工具调用: 与外部系统交互
条件逻辑: 决定后续步骤
人工干预: 获取用户输入

💡 信息: 像 START 和 END 这样的必要节点已直接包含在 LangGraph 中。

3. 边（Edges）

Edges 连接节点并定义图中的可能路径：

import random
from typing import Literal

def decide_mood(state) -> Literal["node_2", "node_3"]:
    
    # 通常我们会根据状态决定下一个节点
    user_input = state['graph_state'] 
    
    # 这里我们在节点2和节点3之间简单实现 50/50 的概率分配
    if random.random() < 0.5:

        # 50% 时间， 我们返回节点2
        return "node_2"
    
    # 50% 时间， 我们返回节点3
    return "node_3"

边可以是：

直接边: 始终从节点 A 到节点 B
条件边: 根据当前状态选择下一个节点

4. 状态图（StateGraph）

StateGraph 是包含整个 agent 工作流的容器：

from IPython.display import Image, display
from langgraph.graph import StateGraph, START, END

# 构建图表
builder = StateGraph(State)
builder.add_node("node_1", node_1)
builder.add_node("node_2", node_2)
builder.add_node("node_3", node_3)

# 连接逻辑
builder.add_edge(START, "node_1")
builder.add_conditional_edges("node_1", decide_mood)
builder.add_edge("node_2", END)
builder.add_edge("node_3", END)

# 编译
graph = builder.compile()

可以可视化图表：

# 可视化
display(Image(graph.get_graph().draw_mermaid_png()))

最重要的是可以调用：

graph.invoke({"graph_state" : "Hi, this is Lance."})

output :

---Node 1---
---Node 3---
{'graph_state': 'Hi, this is Lance. I am sad!'}

下一步？

下一节我们将通过构建第一个图表来实践这些概念。该图表将让 Alfred 能够处理电子邮件，进行分类，并在邮件真实时起草初步回复。