使用 LangGraph 构建智能体时，首先要将任务分解为称为 节点 的离散步骤。然后，需要描述每个节点不同的决策逻辑和状态转换方式。最后，通过一个 共享状态 将各个节点连接起来，每个节点都可以读写该状态。
要在 LangGraph 中实现智能体，通常需要遵循五个步骤。
第一步：将你的工作流程分解成一个个独立的步骤。
首先，确定流程中的各个步骤。每个步骤都将成为一个节点（一个执行特定操作的函数）。然后，绘制这些步骤之间的连接图。
第二步：明确每个步骤需要做什么
对于图中的每个节点，确定它代表什么类型的操作以及它需要什么上下文才能正常工作。
一般有以下4种类型的操作步骤：
- LLM 步骤：用于某个步骤需要理解、分析、生成文本或做出推理决策时。数据步骤：用于某个步骤需要从外部来源检索信息时。动作步骤：用于某个步骤需要执行外部操作时。用户输入步骤：用于某个步骤需要人工干预时。
分类详解与实例
| 步骤类型 | 核心职能 | 典型节点示例 | 所需上下文（举例） |
|---|---|---|---|
| LLM 步骤 （大脑） | 理解、推理、决策、生成 | • 分类节点：分析用户意图。 • 起草回复节点：生成回复内容。 | • 原始用户输入 • 分类结果 • 公司回复风格指南 |
| 数据步骤 （记忆） | 信息检索、数据查询 | • 文档搜索节点：从知识库查找答案。 • 客户历史查询：从数据库获取过往记录。 | • 查询关键词（如订单号） • 搜索范围/权限 |
| 动作步骤 （手脚） | 执行实际操作、改变外部状态 | • 发送回复节点：将最终回复邮件发出。 • 创建工单节点：在追踪系统中创建Bug工单。 | • 最终审定的回复内容 • 目标邮箱地址 • 工单详细信息 |
| 用户输入步骤 （监督） | 引入人类判断、处理异常 | • 人工审核节点：将敏感或复杂回复交由人工审批。 | • 需要审核的回复草稿 • 触发送审的原因（如高金额退款） |
第三步：设计你的共享状态
状态是你的智能体中所有节点都可以访问的共享记忆。你可以将其想象成你的智能体在处理流程中所使用的笔记本，用来记录它在此过程中了解到的一切信息和做出的所有决定。
设计状态就是为你的智能体 设计数据结构。一个精心设计的“共享笔记本”（状态）是构建一个高效、可靠且易于理解的智能体工作流的基石。它决定了节点之间如何通信，以及工作流的上下文如何得以保持。
哪些数据要保存在状态中？
这个数据是否需要跨步骤保持？如果需要，则将其置于状态中。如果能从其他数据中推导出，则在需要时计算，而不是将其存储在状态中。
💡 一个关键原则：你的状态应该存储原始数据，而不是格式化的文本。需要时，在节点内部进行格式化。
第四步：构建节点
构建节点就是我们将每个步骤实现为一个函数。LangGraph 中的一个节点就是一个 Python 函数，它接收当前状态并返回更新后的状态。
如何妥善处理节点中可能发生的错误？
| 错误类型 | 谁来修复它 | 修复策略 | 何时使用 |
|---|---|---|---|
| 瞬态错误（网络问题、速率限制） | 系统（自动） | 重试策略 | 临时故障，通常在重试后解决。 |
| LLM 可恢复错误（工具故障、解析问题） | LLM | 将错误存储在状态中并循环返回 | LLM能够发现错误并调整其方法 |
| 用户可修正的错误（信息缺失、说明不清晰） | 人类 | 暂停 | 需要用户输入才能继续 |
| 意外错误 | 开发者 | 让错误冒泡吧 | 未知问题需要Debug |
第五步：将节点连接起来
现在，我们将节点连接成一个可运行的工作流图。由于我们的节点能够处理自身的路由决策，我们只需要定义几条必要的边即可。
总结一下
通过以上步骤我们总结一下 LangGraph 的思维方式：
- 将任务分解成若干个独立的步骤，每个节点专注于做好一件事。状态是共享的记忆，保存了原始数据。每个节点都是一个函数，输入状态，输出更新后的状态。错误是流程预设的一部分，通过多种策略修复它。人工干预具有最高权限，等待人工干预时暂停执行，保存所有状态。只需少量的必要连接，图结构由节点自行构建出来。
