如果你還在猶豫“多智能體到底是不是偽需求”或者收藏了一堆 LangGraph 資料卻始終沒有跑通一個完整的示例那么這篇文章就是為你準備的。先說一個判斷**LangGraph 不是 LangChain 的簡單升級而是把大模型應用從“單次調(diào)用”推進到“可編排狀態(tài)機”的關(guān)鍵基礎(chǔ)設(shè)施。**在這個體系里多智能體不是噱頭而是解決復雜任務拆解、工具調(diào)用編排、人工審核介入、長流程狀態(tài)恢復等真實問題的一套工程化方案。這篇文章會從多智能體架構(gòu)講起逐步拆解 LangGraph 的核心組件最后用可復制的代碼帶你從零構(gòu)建一個帶條件路由、子圖和并行分支的多智能體應用。本文不會教你“背概念”而是希望你讀完能回答三個問題LangGraph 為什么值得學它的核心組件是怎么配合工作的如果我只想做一個最小可用項目代碼該怎么寫如果這三個問題正是你關(guān)心的建議先收藏再跟著實操。1. 為什么你需要關(guān)注 LangGraph 多智能體1.1 單個大模型調(diào)用解決不了的問題很多開發(fā)者第一次接觸大模型應用開發(fā)時最先寫的是這樣的代碼from openai import OpenAI client OpenAI() response client.chat.completions.create( modelgpt-4o, messages[{role: user, content: 寫一份周報}], ) print(response.choices[0].message.content)這段代碼本身沒有問題但它只能處理“單次輸入、單次輸出”的簡單請求。一旦業(yè)務場景變成下面這樣單次調(diào)用就撐不住了用戶輸入一個問題需要先判斷該調(diào)用哪個領(lǐng)域?qū)＜夷Ｐ?。需要從多個數(shù)據(jù)源檢索資料再匯總成一份報告。生成結(jié)果之前需要人工審核確認。長任務執(zhí)行到一半失敗重新恢復后要繼續(xù)之前的進度。這些問題本質(zhì)上不是“讓模型更聰明”能解決的而是需要一套工作流編排機制讓多個模型調(diào)用、工具調(diào)用和人工節(jié)點按順序或條件組合起來。LangGraph 就是為這類場景設(shè)計的。1.2 多智能體不是“多個模型聊天”一個常見的誤區(qū)是多智能體系統(tǒng)就是讓幾個 AI 角色互相對話誰都能當“智能體”。實際上工程意義上的多智能體系統(tǒng)包含四個核心要素要素說明多個能力邊界明確的智能體每個智能體負責一類任務而不是全部任務明確的調(diào)度/路由機制決定某個請求應該進入哪個智能體共享或可傳遞的狀態(tài)智能體之間需要傳遞中間結(jié)果可恢復的執(zhí)行流程支持暫停、恢復、回滾和檢查點如果只是讓兩個模型互相聊“你覺得呢”那只是聊天不是多智能體。真正的多智能體應用必須是一個有狀態(tài)的、可控制的、可觀測的工作流。1.3 LangGraph 在這個生態(tài)中的定位LangGraph 是由 LangChain 團隊推出的框架專門用于構(gòu)建有狀態(tài)、可編排的大模型應用。它與 LangChain 的核心區(qū)別在于【LangChain】更偏向提供模型調(diào)用、Prompt 模板、工具封裝等基礎(chǔ)能力。【LangGraph】更側(cè)重定義圖結(jié)構(gòu)節(jié)點Node做什么、邊Edge怎么走、狀態(tài)State怎么流轉(zhuǎn)。說得直白一點LangChain 是積木LangGraph 是圖紙。你要建一座房子積木決定你能用什么材料圖紙決定房子長什么樣。2. LangGraph 核心概念詳解在進入代碼之前必須先把 LangGraph 的五個核心組件講清楚。這幾個概念貫穿后續(xù)所有實戰(zhàn)代碼。2.1 State全局狀態(tài)State 是 LangGraph 的靈魂。它表示工作流在任意時刻的“快照”所有節(jié)點都從 State 讀取輸入并把輸出寫回 State。from typing_extensions import TypedDict class AgentState(TypedDict): messages: list current_step: str result: str你可以把 State 理解為前端里的全局 Store只是這里的 Store 不止存界面狀態(tài)還存整個工作流的中間數(shù)據(jù)。2.2 Node節(jié)點Node 是工作流里的一個執(zhí)行單元可以是大模型調(diào)用、工具函數(shù)、API 請求也可以只是一個普通 Python 函數(shù)。def call_model(state: AgentState) - AgentState: # 這里是節(jié)點邏輯 return {result: some_result}每個節(jié)點本質(zhì)上就是“輸入 State輸出 State 增量”的函數(shù)。2.3 Edge邊Edge 定義節(jié)點之間的連接關(guān)系。分為普通邊和條件邊【普通邊】上一個節(jié)點執(zhí)行完無條件進入下一個節(jié)點。【條件邊】根據(jù)當前 State 或節(jié)點返回值決定進入哪個分支。2.4 Conditional Edge條件路由條件路由是 LangGraph 最強大的能力之一。它允許你根據(jù)某個字段的值動態(tài)選擇下一個節(jié)點。from langgraph.graph import END, START, StateGraph def route_by_intent(state: AgentState) - str: if 天氣 in state[messages][-1]: return weather_agent return general_agent2.5 Checkpoint檢查點Checkpoint 讓工作流具備“記憶”和“恢復能力”。你可以把每一步狀態(tài)保存到內(nèi)存或數(shù)據(jù)庫即使中間某個節(jié)點失敗也可以從上一個檢查點繼續(xù)執(zhí)行。from langgraph.checkpoint.memory import InMemorySaver checkpointer InMemorySaver()3. 環(huán)境準備與 LangGraph 安裝3.1 版本與環(huán)境要求LangGraph 是一個 Python 框架目前同時支持 JavaScript/TypeScript 版本。本文以 Python 為例。建議使用 Python 3.10 及以上版本具體小版本以你本機環(huán)境為準。3.2 安裝 LangGraph推薦使用 pip 安裝pip install langgraph如果需要調(diào)用 OpenAI 或其他模型還要安裝對應 SDKpip install openai如果你使用的是國產(chǎn)大模型或本地部署模型只要接口兼容 OpenAI 格式也可以直接通過配置 base_url 接入。3.3 確認安裝成功python -c import langgraph; print(langgraph.__version__)如果輸出版本號說明安裝成功。注意LangGraph 版本更新很快API 可能會有細微變化。本文的代碼以較新的穩(wěn)定版本為參考如果你使用的版本過舊或過新請以官方文檔為準。4. 從零構(gòu)建第一個 LangGraph 多智能體應用4.1 業(yè)務場景我們構(gòu)造一個非常典型的多智能體場景一個“客服工單分流系統(tǒng)”。用戶提交一句問題系統(tǒng)先做意圖識別然后根據(jù)意圖分配到不同的智能體如果涉及訂單問題轉(zhuǎn)給訂單處理智能體。如果涉及技術(shù)問題轉(zhuǎn)給技術(shù)支持智能體。如果意圖不明確轉(zhuǎn)給通用助手。這個場景雖然簡單但已經(jīng)包含了多智能體的核心要素多個專用節(jié)點、條件路由、共享狀態(tài)。4.2 定義狀態(tài)與節(jié)點創(chuàng)建一個文件agent_demo.pyfrom typing_extensions import TypedDict from langgraph.graph import END, START, StateGraph class AgentState(TypedDict): user_input: str intent: str final_answer: str def intent_node(state: AgentState) - AgentState: 模擬意圖識別實際項目中可以用大模型調(diào)用代替 text state[user_input] if 訂單 in text or 發(fā)貨 in text: intent order elif 報錯 in text or 無法運行 in text or bug in text: intent tech else: intent general return {intent: intent} def order_agent(state: AgentState) - AgentState: 訂單處理智能體 return {final_answer: f【訂單客服】收到你的問題{state[user_input]}我們會盡快核查訂單狀態(tài)。} def tech_agent(state: AgentState) - AgentState: 技術(shù)支持智能體 return {final_answer: f【技術(shù)支持】收到你的問題{state[user_input]}請?zhí)峁┩暾麍箦e信息我們將協(xié)助排查。} def general_agent(state: AgentState) - AgentState: 通用助手智能體 return {final_answer: f【通用助手】收到你的問題{state[user_input]}建議聯(lián)系人工客服獲得更多幫助。}這里有一點需要特別注意每個節(jié)點函數(shù)必須返回一個字典字典中的鍵名要與 State 定義對應。LangGraph 會把這個返回值合并到全局 State 中。4.3 定義條件路由函數(shù)條件路由函數(shù)是 LangGraph 中決定“下一步去哪”的關(guān)鍵。def route_by_intent(state: AgentState) - str: 根據(jù)意圖字段決定進入哪個智能體節(jié)點 intent state[intent] if intent order: return order_agent elif intent tech: return tech_agent else: return general_agent4.4 構(gòu)建圖并運行# 構(gòu)建圖 builder StateGraph(AgentState) # 添加節(jié)點 builder.add_node(intent_node, intent_node) builder.add_node(order_agent, order_agent) builder.add_node(tech_agent, tech_agent) builder.add_node(general_agent, general_agent) # 添加邊 builder.add_edge(START, intent_node) builder.add_conditional_edges( intent_node, route_by_intent, { order_agent: order_agent, tech_agent: tech_agent, general_agent: general_agent, }, ) builder.add_edge(order_agent, END) builder.add_edge(tech_agent, END) builder.add_edge(general_agent, END) # 編譯圖 graph builder.compile() # 運行 result graph.invoke({user_input: 我的訂單什么時候發(fā)貨}) print(意圖, result[intent]) print(回答, result[final_answer])4.5 運行與驗證python agent_demo.py預期輸出意圖 order 回答 【訂單客服】收到你的問題我的訂單什么時候發(fā)貨我們會盡快核查訂單狀態(tài)。再測試一個技術(shù)問題result graph.invoke({user_input: 程序運行時報錯怎么辦}) print(意圖, result[intent]) print(回答, result[final_answer])預期輸出意圖 tech 回答 【技術(shù)支持】收到你的問題程序運行時報錯怎么辦請?zhí)峁┩暾麍箦e信息我們將協(xié)助排查。如果看到這樣的輸出說明第一個多智能體工作流已經(jīng)成功跑通了。5. 接入真實大模型讓意圖識別變成模型能力5.1 為什么需要用大模型做意圖識別上面示例中意圖識別使用的是字符串匹配效果非常有限。真實項目中你應該讓大模型來承擔意圖識別任務這樣可以處理更復雜、更模糊的表達。5.2 改造意圖識別節(jié)點from langchain_openai import ChatOpenAI llm ChatOpenAI( modelgpt-4o-mini, temperature0, base_urlhttps://api.openai.com/v1, # 按你的服務商配置 api_keyyour-api-key, ) def intent_node_with_llm(state: AgentState) - AgentState: prompt f 你是意圖識別引擎。用戶輸入如下 {state[user_input]} 請判斷該輸入屬于哪種意圖只能輸出三個選項之一 - order訂單、物流、售后相關(guān) - tech技術(shù)報錯、代碼問題、使用故障 - general其他情況 輸出格式只輸出意圖單詞不要有其他內(nèi)容。 response llm.invoke(prompt) intent response.content.strip().lower() if intent not in [order, tech, general]: intent general return {intent: intent}注意把temperature設(shè)為 0讓模型輸出更穩(wěn)定。在 Prompt 中限定輸出格式避免模型返回多行解釋。即使模型輸出了意外內(nèi)容也要做兜底處理。5.3 接口兼容的模型都可以接入如果你的項目使用的是國產(chǎn)大模型或本地部署模型只要服務商提供了 OpenAI 兼容接口就可以這樣配置llm ChatOpenAI( modelyour-model-name, api_keyyour-api-key, base_urlhttps://your-model-endpoint.com/v1, )這里的base_url指向你的模型服務地址即可。LangGraph 不關(guān)心底層模型是誰它只關(guān)心如何編排這些模型節(jié)點的調(diào)用關(guān)系。6. 深入 Condition Edge分支控制與循環(huán)檢測6.1 多分支條件路由實際業(yè)務中條件路由往往不是“一次判斷、一次分流”這么簡單而是會出現(xiàn)多級分支、循環(huán)重試甚至動態(tài)決定是否終止的情況。比如在意圖識別之后我們還想加一個“回答質(zhì)量評估”節(jié)點如果評估結(jié)果不合格則重新調(diào)用模型生成一次答案。def quality_check(state: AgentState) - AgentState: answer state[final_answer] # 簡單的質(zhì)量規(guī)則答案長度太短就判為不合格 if len(answer) 10: return {need_retry: True} return {need_retry: False} def route_by_quality(state: AgentState) - str: if state.get(need_retry): return retry_node return END這樣圖結(jié)構(gòu)就出現(xiàn)了“環(huán)”LangGraph 是支持這種循環(huán)結(jié)構(gòu)的。但與普通編程不同LangGraph 的循環(huán)需要小心處理否則可能出現(xiàn)無限循環(huán)。6.2 循環(huán)檢測與最大步數(shù)限制LangGraph 在編譯圖的時候會做基礎(chǔ)的循環(huán)檢測但不會阻止合法的循環(huán)。運行時我們可以通過參數(shù)控制最大執(zhí)行步數(shù)config {recursion_limit: 10} result graph.invoke({user_input: 測試}, configconfig)如果工作流執(zhí)行超過 10 個節(jié)點步驟LangGraph 會拋出異常提醒你可能存在無限循環(huán)。這是一個非常實用的保護機制。在生產(chǎn)環(huán)境中強烈建議顯式設(shè)置recursion_limit。6.3 一個帶重試的完整圖示例from typing_extensions import TypedDict from langgraph.graph import END, START, StateGraph class RetryState(TypedDict): user_input: str final_answer: str need_retry: bool def generate_answer(state: RetryState) - RetryState: answer f針對問題「{state[user_input]}」的自動回復 return {final_answer: answer} def quality_check(state: RetryState) - RetryState: answer state[final_answer] if len(answer) 20: return {need_retry: True} return {need_retry: False} def retry_node(state: RetryState) - RetryState: return {final_answer: state[final_answer] 已補充詳細說明} def route_by_quality(state: RetryState) - str: if state.get(need_retry): return retry_node return END builder StateGraph(RetryState) builder.add_node(generate_answer, generate_answer) builder.add_node(quality_check, quality_check) builder.add_node(retry_node, retry_node) builder.add_edge(START, generate_answer) builder.add_edge(generate_answer, quality_check) builder.add_conditional_edges(quality_check, route_by_quality, {retry_node: retry_node, END: END}) builder.add_edge(retry_node, quality_check) graph builder.compile() config {recursion_limit: 5} result graph.invoke({user_input: 你好}, configconfig) print(result)這個示例展示了 LangGraph 中非常核心的能力循環(huán) 條件跳出 狀態(tài)更新。這類結(jié)構(gòu)在真實項目中非常常見比如 AI 生成內(nèi)容后的格式校驗、合規(guī)檢查、安全審查都可以用類似方式實現(xiàn)。7. 子圖Subgraph與并行分支7.1 什么是子圖當工作流變得復雜時不可能把所有節(jié)點都平鋪在同一個圖里。子圖允許你把一部分節(jié)點封裝成一個獨立的 Graph再作為上層圖的一個節(jié)點使用。打個比方主圖是公司的整體流程子圖是某個部門內(nèi)部的詳細流程。對外其他部門只看到結(jié)果不關(guān)心內(nèi)部細節(jié)。7.2 子圖實戰(zhàn)示例假設(shè)我們要做一個“技術(shù)問答智能體”其中“日志分析”需要作為獨立子圖實現(xiàn)因為日志分析內(nèi)部包含讀取日志、提取錯誤、生成診斷建議三個步驟。from typing_extensions import TypedDict from langgraph.graph import END, START, StateGraph class LogSubGraphState(TypedDict): log_text: str error_summary: str def read_log(state: LogSubGraphState) - LogSubGraphState: return {error_summary: f從日志中提取到關(guān)鍵錯誤{state[log_text][:20]}} def extract_error(state: LogSubGraphState) - LogSubGraphState: return {error_summary: state[error_summary] 錯誤類型運行時異常} def generate_diagnosis(state: LogSubGraphState) - LogSubGraphState: return {error_summary: state[error_summary] 建議檢查內(nèi)存配置并重啟服務。} log_subgraph_builder StateGraph(LogSubGraphState) log_subgraph_builder.add_node(read_log, read_log) log_subgraph_builder.add_node(extract_error, extract_error) log_subgraph_builder.add_node(generate_diagnosis, generate_diagnosis) log_subgraph_builder.add_edge(START, read_log) log_subgraph_builder.add_edge(read_log, extract_error) log_subgraph_builder.add_edge(extract_error, generate_diagnosis) log_subgraph_builder.add_edge(generate_diagnosis, END) log_subgraph log_subgraph_builder.compile()7.3 把子圖接入主圖class MainState(TypedDict): question: str log_text: str diagnosis: str def diagnostic_node(state: MainState) - MainState: sub_result log_subgraph.invoke({log_text: state[log_text]}) return {diagnosis: sub_result[error_summary]} def answer_node(state: MainState) - MainState: return {diagnosis: f最終答復{state[diagnosis]}} main_builder StateGraph(MainState) main_builder.add_node(diagnostic_node, diagnostic_node) main_builder.add_node(answer_node, answer_node) main_builder.add_edge(START, diagnostic_node) main_builder.add_edge(diagnostic_node, answer_node) main_builder.add_edge(answer_node, END) main_graph main_builder.compile() result main_graph.invoke({question: 服務掛了怎么辦, log_text: OutOfMemoryError at com.example.Main}) print(result[diagnosis])子圖的價值在于大型項目可以按業(yè)務模塊拆分圖定義。子圖可以被復用比如日志分析子圖可以被多個主圖調(diào)用。調(diào)試時只需要關(guān)注當前子圖范圍問題定位更清晰。7.4 并行分支縮短任務耗時LangGraph 支持在一個節(jié)點后派出多個并行分支等待所有分支完成后合并結(jié)果。比如做市場分析時需要同時抓取競品信息、用戶評價和銷售數(shù)據(jù)from langgraph.graph import END, START, StateGraph class ParallelState(TypedDict): question: str competitor_result: str user_review_result: str sale_result: str final_report: str def competitor_task(state: ParallelState) - ParallelState: return {competitor_result: 競品信息A 產(chǎn)品主打性價比B 產(chǎn)品主打高端體驗} def user_review_task(state: ParallelState) - ParallelState: return {user_review_result: 用戶評價對 A 產(chǎn)品好評集中在價格B 產(chǎn)品好評集中在設(shè)計} def sale_task(state: ParallelState) - ParallelState: return {sale_result: 銷售數(shù)據(jù)A 產(chǎn)品近一月銷量 1000 件B 產(chǎn)品近一月銷量 800 件} def merge_report(state: ParallelState) - ParallelState: report ( f競品{state[competitor_result]}\n f用戶{state[user_review_result]}\n f銷售{state[sale_result]} ) return {final_report: report} parallel_builder StateGraph(ParallelState) parallel_builder.add_node(competitor_task, competitor_task) parallel_builder.add_node(user_review_task, user_review_task) parallel_builder.add_node(sale_task, sale_task) parallel_builder.add_node(merge_report, merge_report) parallel_builder.add_edge(START, competitor_task) parallel_builder.add_edge(START, user_review_task) parallel_builder.add_edge(START, sale_task) parallel_builder.add_edge(competitor_task, merge_report) parallel_builder.add_edge(user_review_task, merge_report) parallel_builder.add_edge(sale_task, merge_report) parallel_builder.add_edge(merge_report, END) parallel_graph parallel_builder.compile() result parallel_graph.invoke({question: 近期市場分析}) print(result[final_report])并行分支的關(guān)鍵在于多個節(jié)點都連接到同一個聚合節(jié)點。LangGraph 會等待所有上游分支完成后才執(zhí)行聚合節(jié)點不需要你自己寫多線程代碼。8. Checkpoint讓工作流具備記憶與恢復能力8.1 Checkpoint 解決了什么問題多智能體工作流往往需要多輪交互。比如用戶第一句話是“幫我查一下訂單”第二句話是“順便改一下收貨地址”。如果沒有狀態(tài)保存機制第二句話就失去了上下文。Checkpoint 解決了這個問題。它把每一步 State 保存到檢查點存儲中你可以隨時恢復到任意歷史步驟。8.2 使用 InMemorySaver 實現(xiàn)記憶from langgraph.checkpoint.memory import InMemorySaver from langgraph.graph import END, START, StateGraph class ConversationState(TypedDict): user_input: str response: str history: list def respond_node(state: ConversationState) - ConversationState: history state.get(history, []) history.append({user: state[user_input]}) response f這是第 {len(history)} 輪對話你的問題是{state[user_input]} history.append({ai: response}) return {response: response, history: history} checkpointer InMemorySaver() builder StateGraph(ConversationState) builder.add_node(respond_node, respond_node) builder.add_edge(START, respond_node) builder.add_edge(respond_node, END) graph builder.compile(checkpointercheckpointer) # 第一輪對話 result1 graph.invoke( {user_input: 你好}, config{configurable: {thread_id: user-123}} ) print(result1[response]) # 第二輪對話 result2 graph.invoke( {user_input: 幫我查訂單}, config{configurable: {thread_id: user-123}} ) print(result2[response])注意thread_id的使用。它相當于一個會話標識同一個thread_id下的多輪調(diào)用會共享狀態(tài)。8.3 生產(chǎn)環(huán)境 Checkpoint 選型InMemorySaver只適合測試和單機場景。生產(chǎn)環(huán)境中建議使用持久化存儲LangGraph 官方提供了 Postgres 等存儲方案的適配你也可以把 Checkpoint 數(shù)據(jù)寫入 Redis 或自研存儲。核心原則是State 具備可恢復性是生產(chǎn)級工作流的基本要求。9. 將 Checkpoint 內(nèi)容傳入大模型上下文9.1 一個容易被忽略的問題很多人在使用 LangGraph 做對話應用時會直接拿state[messages]作為模型上下文。但如果你使用了 Checkpointmessages 可能已經(jīng)被序列化或包含了一些內(nèi)部字段直接傳入模型并不合適。更穩(wěn)妥的做法是從 Checkpoint 中取回歷史對話摘要再手動組裝成模型需要的 messages 格式。9.2 示例從 Checkpoint 構(gòu)建模型上下文def build_context_from_history(state: ConversationState) - list[dict]: context [] for item in state.get(history, []): if user in item: context.append({role: user, content: item[user]}) elif ai in item: context.append({role: assistant, content: item[ai]}) return context # 使用方法 def respond_with_context(state: ConversationState) - ConversationState: history state.get(history, []) context build_context_from_history(state) context.append({role: user, content: state[user_input]}) # 此時把 context 傳給大模型即可 response f已收到當前上下文共 {len(context)} 條消息。 history.append({user: state[user_input]}) history.append({ai: response}) return {response: response, history: history}要點是不要直接拿內(nèi)部 State 結(jié)構(gòu)當模型輸入要顯式組裝。這樣可以避免字段污染也方便你接入不同的模型接口。10. 常見問題與排查思路問題現(xiàn)象可能原因排查方式解決方案安裝失敗依賴版本沖突查看 pip 錯誤信息使用pip check在干凈虛擬環(huán)境中安裝統(tǒng)一 langchain 相關(guān)包版本節(jié)點返回值沒有被更新返回的 dict 鍵名與 State 定義不一致打印 State 內(nèi)容確認鍵名嚴格使用 State 定義的鍵名運行時報 KeyError某節(jié)點讀取了不存在的鍵在節(jié)點函數(shù)中打印state在節(jié)點函數(shù)開頭使用state.get(key)而不是state[key]工作流無限循環(huán)條件邊始終返回同一個節(jié)點檢查路由函數(shù)的返回值和節(jié)點映射設(shè)置recursion_limit并檢查條件邏輯多輪對話不記住上下文沒有配置 checkpointer 或 thread_id 不一致檢查編譯時是否傳入 checkpointer編譯時傳入checkpointer...invoke 時傳入一致 thread_id大模型響應格式不符合預期Prompt 約束不足打印模型原始輸出在 Prompt 中限定輸出格式并增加兜底解析并行分支結(jié)果丟失聚合節(jié)點讀取鍵名錯誤打印聚合節(jié)點前的 State 內(nèi)容核對每個分支節(jié)點返回的鍵名是否與 State 定義一致11. LangGraph 多智能體最佳實踐建議11.1 圖設(shè)計原則不要在單個圖里堆太多節(jié)點。經(jīng)驗閾值是如果主圖節(jié)點超過 10 個建議拆分子圖。每個子圖只負責一個領(lǐng)域比如“日志診斷子圖”“訂單處理子圖”“合規(guī)審查子圖”。11.2 狀態(tài)設(shè)計原則State 字段越少越好。只放需要跨節(jié)點共享的數(shù)據(jù)不要把所有中間變量都塞進 State。比較常見的做法是將中間變量用局部變量保存只把關(guān)鍵結(jié)果放入 State。11.3 安全邊界大模型生成內(nèi)容可能包含違規(guī)信息生產(chǎn)環(huán)境應加入內(nèi)容審核節(jié)點。涉及用戶隱私數(shù)據(jù)時State 中不應保存明文敏感信息必要時應脫敏后再寫入 Checkpoint。工具調(diào)用節(jié)點應遵循最小權(quán)限原則不要給智能體過寬的權(quán)限邊界。11.4 可觀測性在關(guān)鍵節(jié)點增加日志輸出記錄節(jié)點名、輸入 State 摘要、輸出結(jié)果。LangGraph 生態(tài)中有 LangSmith 等觀測工具但在沒有接入的情況下最簡單的做法是def node_with_log(state: State) - State: print(f進入節(jié)點node_with_log) print(f輸入字段{state.keys()}) result do_something(state) print(f節(jié)點輸出{result}) return result11.5 從 Java 或其他語言接入 LangGraph很多同學問“Java 怎么使用 LangGraph”。目前 LangGraph 官方有 JavaScript 版本如果你的團隊是 Java 技術(shù)棧更推薦的方式是把 LangGraph 工作流封裝成獨立服務通過 HTTP API 暴露給 Java 后端調(diào)用。這樣既能使用 LangGraph 的編排能力又不會和現(xiàn)有 Java 體系沖突。12. 總結(jié)與下一步學習建議LangGraph 多智能體開發(fā)的核心不是“讓模型變強”而是把大模型調(diào)用、工具調(diào)用、人工審核、狀態(tài)恢復等環(huán)節(jié)用工程化方式組織起來。State、Node、Edge、Conditional Edge、Checkpoint 這五個組件構(gòu)成了 LangGraph 的最小認知框架本文的示例基本都圍繞這五個組件展開。下一步你可以做三件事第一把本文的客服工單分流示例改造成使用真實大模型并替換成你熟悉的數(shù)據(jù)源和工具調(diào)用。這一步能幫你真正理解 State 和 Condition Edge 的配合。第二嘗試在一個項目中加入子圖和并行分支體會模塊化拆分帶來的維護收益。第三把內(nèi)存 Checkpoint 換成持久化方案并接入你自己的日志體系讓工作流從“能跑”變成“可運維”。LangGraph 的版本迭代很快新概念也在持續(xù)出現(xiàn)但核心的圖編排思想不會變。只要把這一套狀態(tài)機和條件路由的思維方式掌握了不管未來框架怎么升級你都能快速上手。