LangGraph 第2章：适用场景

LangGraph 作为一个灵活的图计算框架，适用于多种 LLM 应用场景。本章详细介绍各个典型场景及其对应的图结构设计。

对话机器人

对话机器人是最常见的 LLM 应用之一。使用 LangGraph 构建对话机器人的优势在于：

• 状态持久化：通过 Checkpointer 保存对话历史
• 多轮上下文：MesssageState 自动管理消息列表
• 流式输出：支持逐 token 流式响应

from langgraph.graph import StateGraph, MessagesState
from langchain_openai import ChatOpenAI

# 使用内置的 MessagesState 管理对话历史
class ChatState(MessagesState):
    pass  # messages 字段由 MessagesState 自动管理

def chat_node(state: ChatState):
    llm = ChatOpenAI(model="gpt-4")
    # 自动使用 messages 作为上下文
    response = llm.invoke(state["messages"])
    return {"messages": [response]}

# 构建对话图
builder = StateGraph(ChatState)
builder.add_node("chat", chat_node)
builder.set_entry_point("chat")
builder.add_edge("chat", "__end__")

对话机器人的典型图结构为单节点循环模式：

用户输入 -> [Chat Node] -> 输出回答
                ^
                | (消息历史自动累积)

自主 Agent

自主 Agent（Autonomous Agent）能够自主推理、调用工具、观察结果并决定下一步行动。这是 LangGraph 最擅长的领域。

典型场景包括：

• 代码生成 Agent：理解需求 -> 编写代码 -> 运行测试 -> 修复问题
• 研究助手：分析问题 -> 搜索资料 -> 整理报告 -> 输出结论
• 数据分析 Agent：连接数据库 -> 编写 SQL -> 执行查询 -> 生成可视化

def reasoning_node(state: AgentState):
    """推理节点：决定下一步行动"""
    decision = llm.invoke(f"当前状态: {state}. 下一步做什么?")
    if "search" in decision:
        return {"action": "search"}
    elif "code" in decision:
        return {"action": "write_code"}
    else:
        return {"action": "respond"}

自主 Agent 的图结构通常包含一个循环：

                    +----------+
                    | Reasoning|<----+
                    +-----+----+    |
                          |         |
                 +--------+--------+|
                 |        |        ||
           +-----v--+ +--v---+ +--v-+---+
           | Search | | Code | | Respond |
           +-----+--+ +--+---+ +----+----+
                 |       |           |
                 +-------+-----------+
                         |
                      [END]

多 Agent 协作

将复杂任务拆解为多个子任务，每个子任务由专门的 Agent 负责。

典型场景：

# Supervisor 模式
def supervisor(state):
    # 决定下一步调用哪个 Agent
    decision = llm.invoke(f"下一步任务: {state}")
    return Command(goto=decision["next_agent"])

复杂工作流

企业级应用经常需要复杂的工作流，LangGraph 的图结构天然适合这种需求：

审批流程

# 审批工作流示例
def review_node(state):
    """自动审核节点"""
    if state["amount"] > 10000:
        return {"needs_approval": True}  # 需要人工审批
    else:
        return {"needs_approval": False, "approved": True}

def auto_approve(state):
    """自动通过"""
    return {"status": "approved", "message": "自动审批通过"}

# 条件路由
graph.add_conditional_edges(
    "review",
    lambda s: "human_approval" if s["needs_approval"] else "auto_approve"
)

代码生成管道

# 代码生成管道
def generate_code(state): ...
def run_tests(state): ...
def fix_bugs(state): ...
def deploy(state): ...

# 构建管道
graph.add_edge("generate_code", "run_tests")
graph.add_conditional_edges(
    "run_tests",
    lambda s: "fix_bugs" if s["tests_failed"] else "deploy"
)
graph.add_edge("fix_bugs", "run_tests")  # 修复后重新测试

流程引擎与规则系统

LangGraph 还可以用作流程引擎，执行业务规则和流程编排：

• 客户 onboarding 流程：注册 -> 验证 -> 配置 -> 激活
• 订单处理流程：下单 -> 支付 -> 库存 -> 发货
• 内容审核流程：提交 -> 自动审核 -> 人工审核 -> 发布

场景选择指南

选择合适的架构模式可以参考以下决策树：

根据实际需求选择合适的架构，不要过度设计。简单的场景用简单的结构，复杂的场景再引入 LangGraph 的高级特性。