当前位置： 首页 > news >正文

LangGraph核心揭秘：让AI「想一步、停一步、判断一步」的大模型学习之旅（收藏版）

news 2026/7/1 15:53:20

本文深入解析LangGraph的底层执行引擎，通过状态机设计实现AI的智能控制流。文章详细介绍了状态机三要素（状态、节点、边）在LangGraph中的应用，以及Reducer的核心机制如何实现状态更新。此外，还探讨了条件边、并行执行和编译产物的相关知识，帮助读者全面理解LangGraph的工作原理，为构建复杂的AI应用打下坚实基础。

上一篇我们把 LangChain Memory 模块拆了个底朝天，搞清楚了截断、总结、检索三种记忆方案各自的适用场景。这一篇我们进入 LangGraph 的核心地带——它的底层执行引擎。

你有没有想过：为什么同样是调用 LLM，用了 LangGraph 之后，AI 就能「想一步、停一步、判断一步」？就能在工具调用和 LLM 推理之间来回切换，还不会乱套？

答案就藏在它的状态机设计里。

01 先说说 LangChain 的老问题

LangChain 的早期架构是线性的——Chain。

用户输入 → PromptTemplate → LLM → OutputParser → 输出

这个模型干净利落，但有个致命弱点：控制流是固定的。

一旦你想实现「如果 LLM 觉得需要查数据库就查，不需要就跳过」，或者「出错了重试三次」，你会发现原来的 Chain 根本放不下这些逻辑。要么把判断逻辑硬编码在节点里，要么用 Python 的 if/else 在外层手动管流程——乱成一锅粥。

现实中的 Agent 场景根本不是线性的：

  • 调工具 → 看结果 → 决定调下一个还是直接回答
  • 生成草稿 → 自我审查 → 不行就重写
  • 多轮对话 → 根据意图走不同分支

这些都需要带状态的循环控制流。这正是 LangGraph 解决的核心问题。

02 状态机是什么：用最简单的例子解释

状态机（State Machine）不是什么新概念。你手机的蓝牙就是个状态机：

[关闭] --打开--> [扫描中] --发现设备--> [配对中] --成功--> [已连接] | --失败--> [扫描中]

三个核心要素：

┌─────────────────────────────────────────────┐ │ 状态机三要素 │ ├──────────┬──────────────────────────────────┤ │ State │ 当前的数据快照（系统处于什么情况）│ │ Node │ 执行动作，并更新 State │ │ Edge │ 决定下一步去哪个 Node │ └──────────┴──────────────────────────────────┘

LangGraph 就是把这套机制套在了 LLM 上：

  • State = 对话历史 + 工具结果 + 中间变量
  • Node = LLM 调用 / 工具执行 / 业务逻辑
  • Edge = 普通跳转 / 条件分支（Conditional Edge）

03 StateGraph 执行引擎：它的心脏长什么样

打开 LangGraph 的源码（Python 版langgraph/graph/state.py，JS 版同理），你会看到StateGraph类维护了几个核心数据结构：

┌──────────────────────────────────────────────────┐ │ StateGraph 内部 │ ├─────────────────┬────────────────────────────────┤ │ nodes │ Map<名称, 函数> │ │ edges │ Map<from, to[]> │ │ conditional_ │ Map<from, (state)=>节点名> │ │ edges │ │ │ channels/ │ 每个状态字段的 Reducer │ │ schema │ │ └─────────────────┴────────────────────────────────┘

当你调用graph.compile()时，它做了什么？

compile() 阶段 │ ├─ 验证图结构（有没有孤立节点？有没有到 END 的路径？） ├─ 构建邻接表（预计算每个节点的后继） ├─ 初始化 Channels（每个状态字段注册 Reducer） └─ 返回 CompiledGraph（可以 invoke/stream）

compile()本质上是把你「描述的图」变成「可执行的调度器」。

04 一次完整执行：从 invoke 到节点运行的全流程

来看最简单的例子，一个单节点 LLM Agent：

import { StateGraph, START, END } from "@langchain/langgraph"; import { Annotation } from "@langchain/langgraph"; import { ChatOpenAI } from "@langchain/openai"; import { HumanMessage } from "@langchain/core/messages"; // 1. 定义状态结构 const AgentState = Annotation.Root({ messages: Annotation<HumanMessage[]>({ reducer: (prev, next) => [...prev, ...next], default: () => [], }), }); // 2. 初始化 LLM const llm = new ChatOpenAI({ model: "gpt-4o-mini" }); // 3. 定义节点函数 async function callLLM(state: typeof AgentState.State) { const response = await llm.invoke(state.messages); return { messages: [response] }; } // 4. 构建图 const graph = new StateGraph(AgentState) .addNode("llm", callLLM) .addEdge(START, "llm") .addEdge("llm", END) .compile(); // 5. 运行 const result = await graph.invoke({ messages: [new HumanMessage("你好，介绍一下自己")], });

执行流程逐步拆解：

graph.invoke({ messages: [...] }) │ ▼ 1. 初始化 State messages = [HumanMessage("你好...")] │ ▼ 2. 调度器从 START 出发 → 找到边：START → "llm" │ ▼ 3. 执行节点 "llm" callLLM(state) 被调用 → llm.invoke(messages) → 返回 { messages: [AIMessage("我是...")] } │ ▼ 4. 合并状态（Reducer） 新 messages = [...旧, AIMessage("我是...")] │ ▼ 5. 调度器检查下一步 → "llm" 的边指向 END → 执行结束 │ ▼ 6. 返回最终 State

05 Reducer：状态更新的核心机制

这是很多人没搞清楚的地方。

节点函数返回的不是「新 State」，而是「State 的更新片段」。LangGraph 用 Reducer 把旧状态和更新片段合并。

// 三种常见 Reducer 写法 // 方式1：用内置 messagesStateReducer（追加消息） const State1 = Annotation.Root({ messages: Annotation<BaseMessage[]>({ reducer: (prev, next) => [...prev, ...next], }), }); // 方式2：覆盖（最新值覆盖旧值） const State2 = Annotation.Root({ step: Annotation<number>({ reducer: (_, next) => next, // 直接替换 }), }); // 方式3：累加计数 const State3 = Annotation.Root({ callCount: Annotation<number>({ reducer: (prev, next) => prev + next, default: () => 0, }), });

Reducer 的执行时机：

节点返回 { key: value } │ ▼ 对每个 key，找到对应 Reducer newState[key] = reducer(oldState[key], value) │ ▼ 生成新 State 快照 （旧 State 不变，不可变数据结构）

关键点：State 是不可变的。 每次节点执行都产生一个新的 State 快照，旧快照被保留（这是 Checkpoint 能实现的基础，后面讲）。

06 图的调度器：它怎么决定下一步去哪

这是 LangGraph 最有意思的部分——调度器（Scheduler）。

调度器本质上是一个事件循环：

while 当前节点 != END: 1. 执行当前节点 node(state) → partial_update 2. 用 Reducer 合并状态 → new_state 3. 查询当前节点的出边 - 普通边：直接去下一个节点 - 条件边：调用路由函数 router(new_state) → 返回节点名 4. 把下一个节点加入执行队列 5. 取队列头 → 重复

条件边（Conditional Edge）长这样：

import { StateGraph, START, END } from "@langchain/langgraph"; // 路由函数：根据 state 返回下一个节点名 function routeAfterLLM(state: typeof AgentState.State): string { const lastMessage = state.messages[state.messages.length - 1]; // 如果 LLM 想调工具 if ("tool_calls" in lastMessage && lastMessage.tool_calls?.length) { return "tools"; // → 去工具节点 } return END; // → 直接结束 } const graph = new StateGraph(AgentState) .addNode("llm", callLLM) .addNode("tools", callTools) .addEdge(START, "llm") .addConditionalEdges("llm", routeAfterLLM, { tools: "tools", // 映射：路由函数返回值 → 节点名 [END]: END, }) .addEdge("tools", "llm") // 工具执行完回到 LLM .compile();

执行路径示意：

START → llm → [判断] → 需要工具? Yes → tools → llm → [判断] → 不需要了? Yes → END No → END

这就是 ReAct Agent 的本质：一个带条件边的循环图。

07 并行执行：Fan-out / Fan-in 模式

LangGraph 支持一个节点连到多个后继节点，实现并行执行。

// Fan-out：一个节点触发多个并行节点 const parallelGraph = new StateGraph(AgentState) .addNode("start", startNode) .addNode("search_web", searchWeb) // 并行 .addNode("search_db", searchDB) // 并行 .addNode("merge", mergeResults) // 合并 .addEdge(START, "start") .addEdge("start", "search_web") // 同时出发 .addEdge("start", "search_db") .addEdge("search_web", "merge") // 都完成后汇聚 .addEdge("search_db", "merge") .addEdge("merge", END) .compile();

调度器处理并行的方式：

start 节点执行完毕 │ ├──→ search_web（加入执行队列） └──→ search_db（加入执行队列） 执行队列：[search_web, search_db] 同时调度（异步并发执行） 两者都完成后： merge 节点的所有前驱都就绪 → merge 入队 │ ▼ merge 执行 → END

这个 Fan-out/Fan-in 模式，是并行搜索、多 Agent 协作的基础。

08 编译产物：CompiledGraph 里藏了什么

compile()返回的CompiledGraph暴露了四个主要接口：

interface CompiledGraph { // 同步执行，返回最终 State invoke(input: State, config?: RunnableConfig): Promise<State>; // 流式执行，每个节点完成后 yield 一次 stream( input: State, config?: RunnableConfig ): AsyncGenerator<Record<string, State>>; // 可视化图结构（调试用） getGraph(): DrawableGraph; // 获取当前状态（需要 Checkpointer） getState(config: RunnableConfig): Promise<StateSnapshot>; }

stream()的输出格式：

for await (const chunk of graph.stream(input)) { // chunk 是一个对象：{ 节点名: 该节点产生的状态更新 } // 例如： // { llm: { messages: [AIMessage(...)] } } // { tools: { messages: [ToolMessage(...)] } } console.log(chunk); }

这就是为什么前端能实现「打字机效果」——每个节点完成，前端就能收到一次更新。

总结

这篇我们从底层拆解了 LangGraph 把 LLM 变成状态机的核心机制：

  • StateGraph 三要素：State 存数据、Node 执行动作、Edge 决定走向，缺一不可

  • Reducer 是关键：节点返回的是「更新片段」而非「完整新状态」，Reducer 负责合并，State 始终不可变

  • 调度器是心脏：本质是一个事件循环，条件边让它能根据运行时状态动态决策

  • compile() 的意义：把声明式的图描述变成可执行的调度引擎，做结构验证和邻接表预计算

  • 并行靠 Fan-out：多条出边同时触发，Fan-in 等待所有前驱完成，调度器自动处理同步

  • stream() 是流式基础：每个节点完成即 yield，这是打字机效果和实时反馈的技术支撑

    最后

如果说程序员已经是高薪职业，那么干AI的程序员，就是高薪中的高薪。

现在的市场，已经用数据给程序员指明了方向：学AI大模型，就是冲刺高薪的最优解！

看着身边越来越多的同行转型大模型、拿到高薪offer，很多人心里都动了心，但真正的难题来了：零基础小白不知道从哪入门？有基础的程序员找不到系统学习路径？实战项目练手无门？面试不知道考什么？

别慌！今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包，覆盖从入门到实战、从理论到面试、从基础到进阶的全流程，所有资料均已整理归档，无冗余、无套路，免费分享给每一位想抓住AI风口的程序员和小白！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

2、大模型学习书籍&文档

3、AI大模型最新行业报告

4、大模型项目实战&配套源码

5、大模型大厂面试真题

四阶段精细化学习规划（附时间节点，可直接照做）

结合上述资源，给大家整理了一份可直接落地的四阶段学习规划，总时长约2个月，小白可循序渐进，程序员可根据自身基础调整节奏，高效掌握大模型核心能力，快速实现从“入门”到“能落地、能面试”的跨越。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …
第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …
第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …
第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

👇👇扫码免费领取全部内容👇👇

6、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

http://www.gsyq.cn/news/1615276.html

相关文章：

  • Unity Profiler连接抖音开发者工具
  • 《HarmonyOS技术精讲-Core File Kit》第4篇：目录操作与文件遍历
  • EM3080-W与PIC18F67K40的条形码识别系统设计
  • NcmpGui专业工具：高效解锁网易云音乐NCM格式的终极解决方案
  • 【深度指南】5大核心模块：全面掌握AMD Ryzen硬件调试工具SMUDebugTool
  • STM32CUBEMX没有配置sys导致的问题
  • Sunshine游戏串流服务器终极指南：免费打造个人专属云游戏平台
  • Outfit字体完全指南：9种字重免费开源几何无衬线字体的专业使用教程
  • 王二明配方茶商城小程序开发指南
  • 75.可直接运行！CODESYS/TwinCAT 通用 ST 物料分拣源码｜标准四状态机架构
  • 掌握Microsoft Orleans状态管理：从持久化配置到事务处理
  • 5个Nucleus Co-op分屏技巧：让单机游戏变多人派对
  • WiFi热图工具终极指南：3步解决家庭网络信号盲区问题
  • 求职季，还在四处到处找面试题？快来试试这款程序员面试口袋书吧✨(前一百名自动升级pro）
  • 2026深度实测：个人AI编程软件选型推荐
  • 74HC32与MKV42F64VLH16构建2x2键盘控制系统
  • 遗传算法实战：N皇后问题的工程化求解与性能优化
  • 解放双手的革命性方案：MAA明日方舟智能自动化助手深度解析
  • ChatLog：三分钟解锁QQ群聊天记录的终极数据分析工具
  • Sunshine游戏串流服务器：打造你的终极跨平台游戏娱乐系统
  • 【大语言模型】一文彻底搞懂大模型显存占用机制：推理、训练与典型场景的量化估算
  • LangChain从0开始学习开发-代码篇
  • macOS 上那些用 Swift 写的开源应用，这个仓库全收录了
  • 发型师效果榜的运营拆解：指标、路径与执行表
  • 三种主要的重载方法
  • 鲁L蒲公英6.30股市日记：日线密集，要选方向！
  • LTC6904与PIC18F26J11构建高精度方波信号发生器
  • AI算力展|2026上海AI算力节能及废热利用展览会【官网】
  • 一线观察：长期体验后发现的重庆会议系统工厂真实情况
  • 淘宝 / 天猫淘口令解析 API（提取真实商品 URL）返回值完整说明