LangGraph 超清晰入门指南：State、Node、Edge + 线性工作流实战

张

张建站

2026/5/6 7:14:30

10分钟阅读

LangGraph 超清晰入门指南：State、Node、Edge + 线性工作流实战

你现在要学的LangGraph是LangChain 官方下一代工作流 / 智能体编排框架比普通 Chain 强大太多它专门用来做多步骤工作流决策分支if/else循环Loop多智能体协作可视化执行流程我会用最通俗、最不绕弯的方式一次性讲透3 大核心概念然后带你写一个能跑、能看、能调试的线性工作流一、先搞懂LangGraph 到底是什么大白话LangGraph 用 “图”Graph来编排 AI 执行步骤你可以把它理解成AI 版的流程图 / 工作流引擎它解决普通 Chain 做不到的事步骤之间可以跳转可以判断走哪条路可以循环执行可以保存中间状态可以可视化每一步干了什么二、LangGraph 3 大核心概念必须背下来1. State状态工作流的 “共享记事本 / 全局变量”所有 Node 都能读写它数据在步骤之间传递靠它就像存用户问题存检索结果存 LLM 回答存是否需要继续执行存错误信息所有步骤共享同一个 State。2. Node节点工作流的 “一个步骤 / 一个函数”每个 Node 就是一个功能检索文档调用 LLM判断是否继续计算、查询、爬取每个 Node 接收 State → 处理 → 返回更新后的 State3. Edge边节点之间的 “执行顺序 / 连线”两种边普通边线性A → B按顺序走条件边决策A → 根据判断走 B 或 C三、用生活例子秒懂流程图开始→查天气→生成回答→结束State存「城市、天气结果、最终回答」Node查天气、生成回答每一步都是节点Edge开始 → 查天气 → 生成回答 → 结束四、实战用 LangGraph 实现一个线性工作流功能最简单、最适合入门输入问题步骤 1检索文档模拟步骤 2LLM 生成回答输出最终结果1. 安装依赖pip install -U langgraph langchain-openai python-dotenv2. 完整代码注释超详细from dotenv import load_dotenv from typing import TypedDict from langgraph.graph import StateGraph, START, END from langchain_openai import ChatOpenAI import os # 加载环境 load_dotenv() # 1. 定义 State核心 # 这是整个工作流共享的数据结构 class WorkflowState(TypedDict): # 用户问题 question: str # 检索到的文档片段 retrieved_docs: str # 最终AI回答 answer: str # 2. 定义 LLM llm ChatOpenAI( api_keyos.getenv(ZHIPU_API_KEY), base_urlos.getenv(ZHIPU_BASE_URL), modelos.getenv(LLM_MODEL), temperature0 ) # 3. 定义 Node每个步骤一个函数 # 节点1模拟文档检索 def retrieve_documents(state: WorkflowState): print( 执行节点文档检索) # 从State里拿用户问题 question state[question] # 模拟检索到的文档真实场景这里调用向量库 fake_docs f模拟检索结果与问题「{question}」相关的文档内容... # 返回新的State更新retrieved_docs字段 return {retrieved_docs: fake_docs} # 节点2LLM生成回答 def generate_answer(state: WorkflowState): print( 执行节点生成回答) # 从State拿数据 question state[question] docs state[retrieved_docs] # 调用LLM prompt f根据文档回答问题\n文档{docs}\n问题{question} answer llm.invoke(prompt).content # 返回更新后的State return {answer: answer} # 4. 构建图Node Edge builder StateGraph(WorkflowState) # 添加节点 builder.add_node(retrieve, retrieve_documents) builder.add_node(generate, generate_answer) # 添加边定义执行顺序线性执行 builder.add_edge(START, retrieve) # 开始 → 检索 builder.add_edge(retrieve, generate) # 检索 → 生成 builder.add_edge(generate, END) # 生成 → 结束 # 编译工作流 graph builder.compile() # 5. 运行工作流 if __name__ __main__: print( 启动 LangGraph 线性工作流) # 输入初始状态 result graph.invoke({ question: 什么是RAG }) # 输出最终结果 print(\n 最终结果 ) print(问题, result[question]) print(检索内容, result[retrieved_docs]) print(AI回答, result[answer])from dotenv import load_dotenv from typing import TypedDict from langgraph.graph import StateGraph, START, END from langchain_openai import ChatOpenAI import os # 加载环境 load_dotenv() # 1. 定义 State核心 # 这是整个工作流共享的数据结构 class WorkflowState(TypedDict): # 用户问题 question: str # 检索到的文档片段 retrieved_docs: str # 最终AI回答 answer: str # 2. 定义 LLM llm ChatOpenAI( api_keyos.getenv(ZHIPU_API_KEY), base_urlos.getenv(ZHIPU_BASE_URL), modelos.getenv(LLM_MODEL), temperature0 ) # 3. 定义 Node每个步骤一个函数 # 节点1模拟文档检索 def retrieve_documents(state: WorkflowState): print( 执行节点文档检索) # 从State里拿用户问题 question state[question] # 模拟检索到的文档真实场景这里调用向量库 fake_docs f模拟检索结果与问题「{question}」相关的文档内容... # 返回新的State更新retrieved_docs字段 return {retrieved_docs: fake_docs} # 节点2LLM生成回答 def generate_answer(state: WorkflowState): print( 执行节点生成回答) # 从State拿数据 question state[question] docs state[retrieved_docs] # 调用LLM prompt f根据文档回答问题\n文档{docs}\n问题{question} answer llm.invoke(prompt).content # 返回更新后的State return {answer: answer} # 4. 构建图Node Edge builder StateGraph(WorkflowState) # 添加节点 builder.add_node(retrieve, retrieve_documents) builder.add_node(generate, generate_answer) # 添加边定义执行顺序线性执行 builder.add_edge(START, retrieve) # 开始 → 检索 builder.add_edge(retrieve, generate) # 检索 → 生成 builder.add_edge(generate, END) # 生成 → 结束 # 编译工作流 graph builder.compile() # 5. 运行工作流 if __name__ __main__: print( 启动 LangGraph 线性工作流) # 输入初始状态 result graph.invoke({ question: 什么是RAG }) # 输出最终结果 print(\n 最终结果 ) print(问题, result[question]) print(检索内容, result[retrieved_docs]) print(AI回答, result[answer])五、逐行精讲你一定能看懂1. State 定义最重要class WorkflowState(TypedDict): question: str # 问题 retrieved_docs: str # 检索结果 answer: str # 最终回答这是全局共享数据所有 Node 都能读写步骤之间传数据靠它2. Node 就是普通函数def retrieve_documents(state: WorkflowState): return {retrieved_docs: 结果}输入State输出要更新的字段自动合并到 State 里3. Edge 定义顺序builder.add_edge(START, retrieve) builder.add_edge(retrieve, generate) builder.add_edge(generate, END)这就是线性工作流开始 → 检索 → 生成 → 结束六、运行效果清晰看到每一步执行plaintext 启动LangGraph线性工作流执行节点文档搜索执行节点生成回答最终结果问题什么是RAG 检索内容模拟检索结果与问题「什么是RAG」相关的文档内容... AI回答根据提供的文档内容无法回答该问题。文档仅显示了“模拟检索结果”的标题未包含关于“什么是RAG”的具体解释。进程已结束退出代码为 0七、你学会了什么核心总结✅State 工作流共享内存✅Node 一个步骤 / 函数✅Edge 步骤之间的连线✅StateGraph 构建工作流✅graph.invoke() 运行工作流

基于卷积神经网络的遥感图像目标检测系统：从原理到实战完整指南

目录引言：为什么遥感目标检测如此重要？第一章：遥感图像目标检测的核心挑战 1.1 多尺度的噩梦 1.2 角度任意性问题 1.3 小目标密集分布 1.4 背景高度复杂第二章：技术选型与架构设计 2.1 为什么不选YOLOv8而选改进的Faster R-CNN？ 2.2 整体架构图第三章：环境…...

2026/5/6 7:13:30 阅读更多 →

别再手动导FBX了！用Unity FBX Exporter插件一键同步3DMax 2024模型（附常见MAXScript报错修复）

3DMax与Unity无缝衔接：FBX Exporter插件深度应用指南在三维内容创作领域，3DMax与Unity的组合堪称黄金搭档，但两者间的数据交换却长期困扰着开发者。传统FBX导出导入流程不仅耗时费力，还容易在多次迭代中丢失关键参数设置。本文将…...

2026/5/6 7:10:28 阅读更多 →

从Docker部署到实战：手把手教你用AppSmith连接MySQL，打造动态数据仪表盘

从Docker部署到实战：手把手教你用AppSmith连接MySQL，打造动态数据仪表盘在数据驱动的时代，能够快速构建可视化仪表盘已成为开发者的必备技能。AppSmith作为一款开源的低代码平台，让开发者无需复杂前端知识就能创建专业级数据应用…...

2026/5/6 7:09:26 阅读更多 →

ColorControl：一键掌控多设备显示与智能控制的终极方案

ColorControl：一键掌控多设备显示与智能控制的终极方案【免费下载链接】ColorControl Easily change NVIDIA display settings and/or control LG TVs 项目地址: https://gitcode.com/gh_mirrors/co/ColorControl ColorControl 是一个专注于显示参数优化与智…...

2026/5/5 5:45:33 阅读更多 →

使用Taotoken CLI工具一键配置开发环境与多工具API密钥的教程

使用Taotoken CLI工具一键配置开发环境与多工具API密钥的教程 1. 安装Taotoken CLI工具 Taotoken CLI工具提供两种安装方式。对于需要频繁使用CLI的场景，推荐全局安装： npm install -g taotoken/taotoken若只需临时使用或避免全局依赖，可通…...

2026/5/5 1:47:46 阅读更多 →

C语言固件完整性保护全栈方案（含国密SM4+可信执行环境TEE落地代码）

更多请点击： https://intelliparadigm.com 第一章：Shell脚本的基本语法和命令 Shebang 与执行方式每个可执行 Shell 脚本的第一行应以 Shebang（ #!/bin/bash）开头，用于指定解释器路径。保存为 hello.sh 后&#xf…...

2026/5/4 17:36:57 阅读更多 →

在 Node.js 后端服务中集成 Taotoken 实现多模型对话路由

在 Node.js 后端服务中集成 Taotoken 实现多模型对话路由 1. 准备工作在开始集成 Taotoken 之前，需要确保您的开发环境已满足以下条件。Node.js 版本建议使用 18.x 或更高 LTS 版本。通过运行 node -v 可以检查当前版本。如果尚未安装 openai 包，可以…...

2026/5/4 5:56:10 阅读更多 →