LangGraph 介绍：可靠度与自主性的平衡

这篇是 LangGraph 专题第 01 篇——先回答「为什么还要学 Graph」，再留下选型三句话。三要素与写图放到下一篇。

小明的 Agent「太自由」了

小明把客服挂上 create_agent，工具、检索、闲聊都能聊。演示前老板加了一条硬规矩：

「制度类问题：必须先查知识库；没命中，禁止瞎编，直接拒答。」

他加了 system prompt，又叠了一层 Middleware。大多数时候听话，偶尔还是会：

用户: 公司发不发下午茶零食？
助手: 一般科技公司会有……（ retriever 没命中，仍「凭常识」答了 ）

小明找到老张：「LangChain 不是已经能做 Agent 和 RAG 了吗？为啥还要学LangGraph？」

老张说：”因为你现在的控制力，大半写在提示词里。提示词是软约束；企业要的拒答、必经安检，往往得变成硬拓扑。LangGraph 要解决的，正是这件事——但先别急着敲代码，把『AI 应用怎么长到今天』画清楚。”

AI 应用怎么长到「又要自主、又要稳」

老张在白板上画了三格演进：

① 简单 LLM
   用户 ──► 模型 ──► 答案
   无工具、无外部数据、难做多步骤

② Chain（链条）
   检索 ──► 模型 ──► 工具 ──► 答案
   流程由程序员写死 → Reliable（稳）
   但缺自主：不会自己改路线

③ Agent（智能体）
   下一步由 LLM 决定：走 Step2 还是 Step3？
   甚至整条路径都交给模型 → Agentic（自主）
   灵活，路径可能漂移

「早期应用就是调一次模型。后来人为加步骤——检索、工具——串成 Chain，这也是 LangChain 名字的由来：跑一千次路径一样，但离『真智能体』还远。

真正的 Agent，是让模型规划工作流。问题来了——」

小明：”所以只能二选一？”

老张摇头：”通常只能在两端之间选平衡点。

LLM 自主控制得越多，应用稳定程度往往越小。

你要的，不是退回死链条，也不是把一切交给黑盒——而是：自主尽量留，稳定要抬上去。“

LangGraph 到底解决什么

老张在「可靠度 × 自主性」坐标上点了一笔：

自主性 ↑
    │      ★ 理想：自主不丢、稳定抬升
    │     ／
    │   Agent ●
    │    ／
    │   ★ LangGraph 的方向
    │  ／
    ● Chain
    │
    └──────────────────→ 可靠度

LangGraph 的作用，是在保持 Agent 自主控制程度的同时，提高稳定程度。

怎么做到？核心一句话——

允许你自己定义工作流（Workflow）里的每一个 Node（节点）。

模型仍可在某个节点里做决策、调工具；但『能不能跳过检索』『无命中走哪』『要不要停给人审』，由图上的边与节点说了算。软约束变硬拓扑。」

先看一眼：节点就是你写的函数

老张写了一个最小例子——故意还不接 LLM——看看「图骨架」长什么样。

from typing import TypedDict
from langgraph.graph import END, START, StateGraph


class GraphState(TypedDict):
  text: str
  steps: list[str]


def normalize(state: GraphState) -> dict:
  text = state["text"].strip().lower()
  steps = list(state.get("steps") or [])
  steps.append(f"{len(steps) + 1}.规范化文本")
  return {"text": text, "steps": steps}


def shout(state: GraphState) -> dict:
  steps = list(state.get("steps") or [])
  steps.append(f"{len(steps) + 1}.大写文本")
  return {"text": state["text"].upper() + "!", "steps": steps}


def build_graph():
  g = StateGraph(GraphState)
  g.add_node("normalize", normalize)
  g.add_node("shout", shout)
  g.add_edge(START, "normalize")
  g.add_edge("normalize", "shout")
  g.add_edge("shout", END)
  return g.compile()

老张逐点敲：

1. State：图上流转的数据（这里是 text + steps）。
2. Node：普通函数；读 State，返回要更新的字段（部分更新），不是你手改全局变量。
3. Edge：START → normalize → shout → END——路径写死在图上，跑一万次也是这条。

START ──► normalize ──► shout ──► END

「这还不是 Agent。它只回答一个问题：LangGraph 让你显式拥有工作流里的每一步。下一篇会把条件边、工具环、记忆接进来；今天先建立这个心智。」

运行程序

def run_demo() -> None:
    app = build_graph() # 构建图

    result = app.invoke({"text": "  Hello LangGraph  ", "steps": []}) # 执行图

    print("result:", result)

    print("Day1 OK")
cd course-langgraph/day1-hello-graph
python main.py --demo

result: {'text': 'HELLO LANGGRAPH!', 'steps': ['1.规范化文本', '2.大写文本']}
Day1 OK

小明：”输入带空格的 Hello，出来大写加叹号，步骤列表也记了。这不就是函数管道吗？”

老张：”今天是管道。等你加上『分类后走天气/制度/闲聊』『有 tool_calls 就进 tools 再回来』，管道就变成路由表和循环——那是图比 a(b(c(x))) 强的地方。”

选型：三句话就够用

老张让小明抄进笔记本——Agent vs Graph 选型三句话（本模块可验证产出）：

1. 工具自己选、路径可飘一点 → 优先 create_agent。
2. 步骤必须可控、无命中必须拒答、要给人审 → 上 StateGraph。
3. 生产常见形态 → Graph 做外壳（闸门/路由/拒答），局部节点里仍可嵌 Agent / LLM 决策。

三个常见坑（介绍阶段）

坑 1：以为学了 Graph 就要扔掉 create_agent

症状：所有 Demo 强行改成手写图，进度变慢，收益不明显。
原因：把「能画图」当成「必须画图」。
修法：开放探索期继续 Agent；出现硬约束再抽成图。二者是选型，不是替代。

坑 2：只用提示词落实「必须拒答」

症状：演示偶发瞎编，老板不信任。
原因：软约束遇强生成欲望会漏。
修法：拒答做成图上的分支节点（后文 Day5：retrieve → generate | refuse）；提示词做辅助，不作唯一闸门。

坑 3：一上来就堆并行、子图、Studio

症状：概念爆炸，Hello 图都没跑通。
原因：把进阶能力塞进介绍课。
修法：本专题顺序：介绍（本篇）→ 三要素入门 → 常见 WorkFlow → 客服 Email 项目。Studio / Postgres 放选修。

总结

老张说：”第 01 篇只办一件事——让你知道 LangGraph 站在哪条坐标轴上。”

“三个核心理解：

1. 演进 —— LLM → Chain（稳）→ Agent（自主）；两端对拉，生产要平衡点
2. 定位 —— LangGraph 用显式 Node/Edge，在尽量保留自主的同时抬高稳定度
3. 选型 —— 自选工具用 Agent；硬路径与拒答用 Graph；常见是 Graph 外壳 + 局部智能”

LangGraph 专题进度：

01 LangGraph 介绍（本篇：为何 Graph）
    ↓
02 基本概念和入门（State / Node / Edge）
    ↓
03 常见 WorkFlow（七种编排模式）
    ↓
04 客户支持 Email Agent（Think in LangGraph）

小明合上本子：「选型三句话我背住了。下周把 State、边、条件路由写明白。」

别只训练模型『听话』。自主留给节点里的智能，稳定留给图上的拓扑。