LangGraph 是什么？一文秒懂且通俗易懂！

“「 嘿兄弟，我好想交女朋友但都交不到，怎么办？ 」”

身为 AI 工程师，为了帮他，当然是画个流程图啊！

交女朋友要分步骤，每个步骤都有单一目的。 如果失败也没关系，流程上我们退回去反省一下，再接再厉

「… 这 TM？ 一点都不实际 ”

有道理，一定是因为没有用 LangGraph 的关系！

用了 LangGraph 一切都实际了起来!

用 LangGraph 把每个步骤都接上 LLM 或者是 Tool（搜索）， 要流程有流程，要行动有行动 ，这就是交友 agent 。

最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的大模型，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？

与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，整体AI领域2025年预计缺口1000万人，其中算法、工程应用类人才需求最为紧迫！

学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。【点击蓝字获取】

【2025最新】AI大模型全套学习籽料（可白嫖）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！

为什么要 LangGraph？

当你的产品需要一些流程、步骤，用 LangGraph 搭配 LangChain

• • 能够实现 workflow / Agent 搭建
• • 轻易把 LLM 引入每个步骤当中
• • 把流程抽象出来，好维护。 把每一个复杂的步骤封装起来。

可是，LangGraph 怎么做到呢？ 有三个要素！

LangGraph 是什么？

LangGraph 三要素：

• •State： 状态机，如同变量表
• •Node： 干活 / 函数
• •Edge：流程控制

太抽象？ 给个简单例子

# **State** class MyState(TypedDict): # from typing import TypedDict i: int j: int # Functions on **nodes** def fn1(state: MyState): print(f"Enter fn1: {state['i']}") return {"i": 1} def fn2(state: MyState): i = state["i"] return {"i": i+1} # Conditional **edge** function def is_big_enough(state: MyState): if state["i"] > 10: return END else: return "n2" # The Graph! The "Program" !! workflow = StateGraph(MyState) workflow.add_node("n1", fn1) workflow.add_node("n2", fn2) workflow.set_entry_point("n1") workflow.add_edge("n1", "n2") workflow.add_conditional_edges( source="n2", path=is_big_enough ) # Compile, and then run graph = workflow.compile() r = graph.invoke({"i": 1000, "j": 123}) print(r)

这个 graph 的可视化执行过程：

最后输出：

{'i': 11, 'j': 123}

跟单纯写 python 程序的不同，LangGraph 能够让每一个「步骤」都很复杂， 引入 LLM 跟工具的处理，把「流程」抽象出来 ，变得干净好维护。

Graph 像是一个子程序

在这个例子 MyState 其实是一个字典，先知道这样，后面有更多解释。

1. Node 节点

fn1 跟 fn2 两个 function，因为他们由 add_node（） 绑在节点上 – 前面说了 Node 就是在干活，可以理解为具体的打工人。

何谓干活？ 通常是「改变 state」，当然也可以是具体的某个事情，比如读取文件、写文件等。

def fn1(state: MyState): print(f"Enter fn1: {state['i']}") return {"i": 1} def fn2(state: MyState): i = state["i"] return {"i": i+1}

• • 想象 state （状态） 是属于这个 graph 的「变量表」。

• •fn1先打印传入的 state; 回传{“i”： 1}代表「不管 state 的 i 以前是多少，现在覆盖掉，变成 1

• • 同理，fn2把 state 的 i 加上 1 以后回传，代表「state 里面的 i 多加 1

• • • 注意state[“i”]是这个 graph 里面的变数，在其他节点的 function 也能存取。

光是定义 function 不够，还要绑到 graph 上，给每个 node 一个名字：

workflow.add_node("n1", fn1) workflow.add_node("n2", fn2)

2. Edge 边

执行顺序呢？ 这就是 “edge” 控制了：从一个点有方向地连到另一个点

workflow.set_entry_point("n1") workflow.add_edge("n1", "n2") workflow.add_conditional_edges( source="n2", path=is_big_enough )

• •set_entry_point（）指定从哪个 node 开始执行

• •add_edge（“n1”， “n2”）表示当 n1 执行完以后，下一步就交给 n2 执行

• • 条件判断用.add_conditional_edges（）实现，等价于程序里的“if”。它需要至少两个参数

• • • source 表示起点
  • • path 是一个 function 决定下一步给谁：看他回传的字串代表哪个 node。
  • • 示例代码中is_big_enough这个函数，去看 state 变量表里的 i 有没有大于 10，没有的话就回传 “n2”，也就是下一棒再交给自己。 大于 10 的话就结束（ END）

def is_big_enough(state: MyState): if state["i"] > 10: return END else: return "n2"

所以整个 Graph 看起来像个子程序！ 把 workflow 当作代码、state 当作变量表，compile 编译成执行文件：

graph = workflow.compile() r = graph.invoke({"i": 1000, "j": 123}) print(r)

• • 整个 graph 需要.compile（）才是一个能执行的 graph。 而 Compile 之后，后加的 node/edge 不会反映在上面
• •.invoke（）是输入初始的 state 去执行; 输出是最后的 state
• • 虽然所有节点都没碰触 j – 也就是回传的都是 partial state ，但 state 的 schema 是 TypeDict， 里面有定义 j，所以如果初始有给 j 值，也会一直保留，最后的输出会有 j

Enter fn1: 1000 {'i': 11, 'j': 123}

对了，有没有发现： 示例代码完全没 AI 模型 。LangGraph 本质上就是个 “graph processing” engine 而已!

3. State 状态

State是一个共享的数据结构，在 graph 的节点之间传递和更新，在上面的代码中我们已经看到了，节点函数fn1、fn2可以读取 state 并进行修改

class MyState(TypedDict): i: int j: int ... def fn2(state: MyState): i = state["i"] return {"i": i+1}

核心特性

State就像是一个在图中流动的"数据包"，每个节点都可以检查它、修改它，然后传递给下一个节点。这种设计让复杂的 AI 工作流变得清晰可维护。

最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的大模型，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？

与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，整体AI领域2025年预计缺口1000万人，其中算法、工程应用类人才需求最为紧迫！

学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。【点击蓝字获取】

【2025最新】AI大模型全套学习籽料（可白嫖）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！