LangGraph 的核心构建模块
要使用 LangGraph 构建应用程序，需要理解其核心组件。让我们探索构成 LangGraph 应用程序的基础构建模块。
LangGraph 应用程序从 entrypoint 开始，根据执行情况，流程可能流向不同的函数直到抵达 END。
1. 状态（State）
State 是 LangGraph 中的核心概念，表示流经应用程序的所有信息。
python
from typing_extensions import TypedDict
class State(TypedDict):
graph_state: str状态是 用户自定义 的，因此需要仔细设计字段以包含决策过程所需的所有数据！
💡 提示: 仔细考虑应用程序需要在步骤之间跟踪哪些信息。
2. 节点（Nodes）
Nodes 是 Python 函数。每个节点：
- 接收状态作为输入
- 执行某些操作
- 返回状态更新
python
def node_1(state):
print("---Node 1---")
return \{"graph_state": state['graph_state'] +" I am"\}
def node_2(state):
print("---Node 2---")
return \{"graph_state": state['graph_state'] +" happy!"\}
def node_3(state):
print("---Node 3---")
return \{"graph_state": state['graph_state'] +" sad!"\}举例, 节点可以包含：
- LLM 调用: 生成文本或做出决策
- 工具调用: 与外部系统交互
- 条件逻辑: 决定后续步骤
- 人工干预: 获取用户输入
💡 信息: 像 START 和 END 这样的必要节点已直接包含在 LangGraph 中。
3. 边（Edges）
Edges 连接节点并定义图中的可能路径：
python
import random
from typing import Literal
def decide_mood(state) -> Literal["node_2", "node_3"]:
# 通常我们会根据状态决定下一个节点
user_input = state['graph_state']
# 这里我们在节点2和节点3之间简单实现 50/50 的概率分配
if random.random() < 0.5:
# 50% 时间， 我们返回节点2
return "node_2"
# 50% 时间， 我们返回节点3
return "node_3"边可以是：
- 直接边: 始终从节点 A 到节点 B
- 条件边: 根据当前状态选择下一个节点
4. 状态图（StateGraph）
StateGraph 是包含整个 agent 工作流的容器：
python
from IPython.display import Image, display
from langgraph.graph import StateGraph, START, END
# 构建图表
builder = StateGraph(State)
builder.add_node("node_1", node_1)
builder.add_node("node_2", node_2)
builder.add_node("node_3", node_3)
# 连接逻辑
builder.add_edge(START, "node_1")
builder.add_conditional_edges("node_1", decide_mood)
builder.add_edge("node_2", END)
builder.add_edge("node_3", END)
# 编译
graph = builder.compile()可以可视化图表：
python
# 可视化
display(Image(graph.get_graph().draw_mermaid_png()))
最重要的是可以调用：
python
graph.invoke(\{"graph_state" : "Hi, this is Lance."\})output :
---Node 1---
---Node 3---
\{'graph_state': 'Hi, this is Lance. I am sad!'\}下一步？
下一节我们将通过构建第一个图表来实践这些概念。该图表将让 Alfred 能够处理电子邮件，进行分类，并在邮件真实时起草初步回复。