AI探秘-5分钟了解LangGraph

导航

1. 什么是LangGraph
   • 使用模式
     • Prompt chaining(链式)
     • Parallelization(并行)
     • Routing(路由)
     • Orchestrator-worker(编排器-工作节点)
     • Evaluator-optimizer(评估优化模式)
     • Agents
2. 核心概念
   • 1. 节点（Nodes）
   • 2. 边（Edges）
3. 附录

LangGraph是一个偏底层的编排框架和运行时环境，专为构建、管理和部署Agent而设计,本文将带你从基础概念开始，逐步深入LangGraph的各个核心功能。

什么是LangGraph

LangGraph 利用 StateGraph 将代理流程建模为有状态的图，开发者可以以工作流的方式精细编排节点、状态与条件边，构建高度定制化的代理交互.下面可以先从官网上的一些示例 感受下LangGraph的使用

使用模式

Prompt chaining(链式)

场景: 每一步 LLM 调用基于前一步输出，适合将大任务精确拆分成小任务的工作流

Parallelization(并行)

场景:

• 将大任务拆分多个子任务并行执行,提供速度
• 同时执行当前任务最后对比不同的输出

Routing(路由)

场景: 多个不相关任务组合一起,通过路由方式分发执行

Orchestrator-worker(编排器-工作节点)

场景: 区别于Parallelization,编排器-工作节点模式适用于子任务无法被预先定义的情况下.通过编排器拆分任务指定对应的worker执行

Evaluator-optimizer(评估优化模式)

场景: 适用于多轮评估优化生成的内容结果

Agents

场景: Agents 模式对使用者来说定制程度没那么高，但是还是能够通过工具来影响 LLM 对工具的调用

核心概念

Graph（尤其是 StateGraph）是 LangGraph 的核心抽象

• 状态（State）：代表当前应用的状态
• 节点（Node）：执行特定功能的函数，接受当前 state 作为入参，在函数逻辑中基于当前 state 生成并返回新的 state
• 边（Edge）：定义节点之间的连接关系，决定在当前的 state 下哪个节点应该执行

1. 节点（Nodes）

节点是执行实际工作的函数，接收状态并返回状态更新：

• START Node：定义最开始被调用的处理函数
• END Node：定义结束节点
• 缓存（Cache）：可以在添加节点的时候通过 cache_policy 启用缓存

2. 边（Edges）

边定义了节点之间的连接：

• 普通边(Normal Edges)：使用 add_edge() 定义固定的连接
• 条件边：使用 add_conditional_edges() 根据条件动态选择下一个节点
• 入口节点(Entry Point)：定义最开始被调用的node节点
• 条件入口节点(Conditional Entry Point)：根据条件动态选择入口节点

附录

• LangGraph官方文档
• LangGraph GitHub仓库
• LangChain官方文档