06. LangGraph 编排

1. 这一模块解决什么问题

LangGraph 用来控制复杂 Agent 流程。

它适合处理：

• 多步骤任务
• 条件分支
• 循环
• 状态持久化
• 人工审批
• 多 Agent 协作

2. 核心思想

把复杂任务拆成多个节点。
每个节点做一件事。
节点之间用边连接。
所有节点共享一个状态。

3. State

State 是整个图的共享数据包。

大白话：

State 就是这次任务的工作单。

State 里常放：

• 用户问题
• 对话历史
• 检索 query
• 检索结果
• 工具调用结果
• 中间判断结果
• 最终答案
• 错误信息

常见坑：

1. State 变成大杂烩。
2. 字段命名不清楚。
3. 节点之间隐式依赖太多。
4. 敏感信息没有控制。

4. Node

Node 是图里的一个处理步骤。

例子：

• rewrite_query
• retrieve_docs
• grade_documents
• generate_answer
• human_review

好 Node 的标准：

1. 一个 Node 做一件事。
2. 输入来自 State。
3. 输出更新 State。
4. 可以单独测试。
5. 出错时能暴露清楚原因。

5. Edge

Edge 决定节点之间怎么走。

retrieve_docs -> generate_answer

Conditional Edge 根据状态决定下一步。

例子：

检索结果足够 -> 生成答案
检索结果不足 -> 改写问题再检索
问题高风险 -> 人工审批

常见坑：

1. 没有明确 END 条件。
2. 分支条件太依赖模型自由输出。
3. 多个分支优先级不清楚。
4. 循环没有最大次数。

6. Checkpointer

Checkpointer 用来保存执行状态。

这些场景需要状态恢复：

• 多轮对话
• 长任务
• 人工审批
• 工具调用中断
• 服务重启后继续任务

常见坑：

1. 没有会话隔离。
2. 用户之间状态串了。
3. 保存敏感信息没有脱敏。
4. State 结构升级后旧数据不兼容。

7. Human-in-the-loop

Human-in-the-loop 是流程中途暂停，等人确认、审批或修改后再继续。

适合场景：

• 合同风险确认
• 财务审批
• 人事制度解释
• 高风险操作
• 对外发送邮件
• 修改生产数据

设计要点：

1. 展示模型判断依据。
2. 展示引用来源。
3. 允许人工修改。
4. 审批结果写回 State。
5. 通过和拒绝走不同分支。

8. 一个企业 RAG Graph 示例

START
  -> classify_question
  -> rewrite_query
  -> retrieve_docs
  -> grade_docs
  -> enough_docs?
      -> yes: generate_answer
      -> no: rewrite_query
  -> check_answer
  -> high_risk?
      -> yes: human_review
      -> no: END
  -> END

9. 可运行 Demo

完成 示例统一准备 后，分别运行以下离线图：

python docs/public/langchain-examples/06_langgraph/state_node_edge.py
python docs/public/langchain-examples/06_langgraph/conditional_edges.py
python docs/public/langchain-examples/06_langgraph/bounded_loop.py
python docs/public/langchain-examples/06_langgraph/checkpointer.py
python docs/public/langchain-examples/06_langgraph/human_in_the_loop.py
python docs/public/langchain-examples/06_langgraph/enterprise_rag_graph.py

联网模型节点综合 Demo：

python docs/public/langchain-examples/06_langgraph.py

该脚本定义 State、模型 Node 和 START -> Node -> END 边，并在 Node 内由 ChatOpenAI 调用 OpenAI ChatGPT。

10. 本模块自测

1. State、Node、Edge 分别是什么？

• State 是图的共享数据包。
• Node 是图里的一个处理步骤。
• Edge 决定节点之间怎么走。

2. Conditional Edge 解决什么问题？

• 根据状态决定下一步。
• 可以处理分支、循环、条件判断。
• 人工审批、工具调用中断等场景。

3. 什么场景需要 Checkpointer？

• 多轮对话
• 长任务
• 人工审批
• 工具调用中断
• 服务重启后继续任务

4. Human-in-the-loop 适合哪些场景？

• 合同风险确认
• 财务审批
• 人事制度解释
• 高风险操作
• 对外发送邮件
• 修改生产数据

5. 为什么 LangGraph 比普通链更适合复杂 Agent？

• LangGraph 可以处理多步骤任务、条件分支、循环、状态持久化、人工审批等场景。
• 普通链只能处理线性流程，不能处理复杂场景。