使用LangGraph在Python中构建代理工作流
内容提要
本文介绍如何使用LangGraph在Python中构建代理工作流，涵盖状态、节点和边的基本概念，通过MessagesState管理对话历史，在节点中调用模型，注册工具并路由工具调用，以及使用检查点持久化跨会话的对话。文章从基础图构建到工具使用代理，逐步演示完整流程，并强调LangGraph组件的独立性和可扩展性。
延伸解读
状态、节点和边：理解LangGraph的核心抽象
LangGraph将代理工作流建模为图，其中状态是共享内存，节点是执行单元，边定义执行顺序。这种设计使得每个推理步骤、工具调用和响应都成为图状态的一部分，从而提供完整的可观测性。理解这些原语是构建复杂代理的基础，因为它们决定了数据如何在节点间流动以及如何被更新。
工具调用的循环：ReAct模式与成本考量
当模型决定使用工具时，图会进入一个循环：模型调用、工具执行、再次模型调用。这个循环是ReAct模式的体现，但每次工具使用都意味着两次模型调用，这会增加延迟和成本。在设计代理时，应权衡工具的使用频率和必要性，以优化性能和费用。
持久化与状态管理：从开发到生产
使用检查点（checkpointer）可以跨会话持久化对话状态，但InMemorySaver仅适用于开发测试。生产环境需要基于数据库的持久化方案。此外，检查点保存的是图状态，而Store则用于存储独立于对话的长期数据，如用户偏好。理解两者的区别有助于设计可扩展的代理应用。
Q&A
LangGraph中的状态、节点和边分别是什么？
在LangGraph中，状态是一个TypedDict，作为整个图的共享内存，节点读取和更新它；节点是普通的Python函数，接收当前状态并返回要更新的字段；边定义了执行顺序，add_edge表示顺序执行，add_conditional_edges根据路由函数决定下一步。
如何在LangGraph中管理对话历史？
LangGraph提供了内置的MessagesState，它是一个TypedDict，包含一个messages字段，使用add_messages reducer，每次节点返回新消息时，会追加到现有列表而不是覆盖，从而自动管理对话历史。
如何在LangGraph中调用语言模型？
在节点中调用语言模型，例如使用ChatOpenAI，将系统消息和当前消息列表传递给模型，模型返回AIMessage，然后以字典形式返回{'messages': [response]}，这样响应就会添加到状态中。
如何在LangGraph中注册工具并路由工具调用？
使用@tool装饰器定义工具，然后用llm.bind_tools(tools)将工具绑定到模型，使模型知道工具的存在。在图中添加ToolNode来执行工具，并使用tools_condition作为条件边，根据模型是否产生工具调用来路由到工具节点或结束。
LangGraph中的ReAct循环是如何工作的？
ReAct循环是模型调用、工具执行、再模型调用的循环。模型首先决定是否需要工具，如果需要，则生成带有tool_calls的AIMessage，ToolNode执行工具并返回ToolMessage，然后模型再次被调用以解释工具结果并生成最终答案。每次工具使用需要两次模型调用。
如何在LangGraph中持久化对话状态？
在编译图时附加一个检查点器（checkpointer），例如InMemorySaver，然后在每次调用时传递相同的thread_id，这样图的状态会在调用之间保存和恢复。生产环境可以使用持久化检查点器，如数据库支持的存储。
LangGraph中的Store和Checkpointer有什么区别？
Checkpointer用于持久化图的状态，特别是对话历史，按线程隔离。Store用于持久化应用程序级数据，如用户配置文件或长期记忆，可以跨线程共享。两者互补，Store提供图执行期间可访问的持久存储。
