正式进入LangGraph1. LangGraph 是什么1.1 认识智能服务Agent Server学习过 LangChain我们已经知道 AI 世界是如何初步搭建的。实际我们已经用过• ChatGPT 原生模型对话式 AI一问一答• DeepSeek 客户端类似的对话助手• 一些 AI 工具比如 AI 画画、AI 写文章等在 LangChain 篇章中我们接入 LLM 构建的 AI 系统有以下特点• 单次对话“记不住”太多上下文• 主要是问答模式• 相对简单的任务什么是 Agent Server它是更聪明的 AI 助手 想象一个虚拟的“小助手”它不仅能回答问题还能• 记住和你聊过的所有事情• 执行一连串任务比如查天气 → 推荐穿搭 → 提醒带伞• 中途可以等你给出反馈• 运行很长时间不会“忘记”Agent Server 例子分镜 1我说 “帮我规划周末旅行”Agent Server 界面显示回应。分镜 2Agent Server 第一步 “查天气”屏幕 显示天气预报界面分镜 3Agent Server 第二步 “找景点”屏幕 展示景点列表和图片。分镜 4Agent Server 第三步 “订酒店”屏幕 显示酒店预订页面。分镜 5Agent Server 第四步 “规划路线”屏 幕呈现地图路线图。分镜 6Agent Server 第五步 “打包建议”屏 幕列出物品清单。1.2 构建 Agent Server 时遇到的四大难题难题描述就像·比喻状态丢失AI 处理长任务时容易“忘记”前面步骤写长文章时电脑突然关机难以调试不知道 AI 为什么做出某个决定黑盒子看不到内部无法干预不能中途给 AI 指导自动驾驶不能接管部署困难复杂 Agent Server 难以上线运行手工制作 vs 工厂生产1.3 解决方案LangGraph -- Agent Server 的“操作系统”LangGraph 是一个强大且灵活的“Agent Server 操作系统内核”。它不关心我们具体用什么模型或 提示词而是为我们解决构建复杂、可靠、可交互的 Agent Server 时所面临的状态管理、流程编排、 持久化和人工监督等底层工程难题。如果我们需要构建超越简单问答的、具备复杂逻辑和长期记忆的 AI 应用LangGraph 就是为此设计的工具。如果把 Agent Server 比作一个公司那么• AI 模型 员工干活的人• 工具 办公设备电脑、电话• LangGraph 项目经理 流程系统简单来说LangGraph 是一个专门用于构建和管理 Agent Server 的底层框架。1.3.1 LangGraph 的三大超能力1.3.1.1 记忆大师# 传统AI每次对话都是新的开始 AI回答(你好) → 你好 AI回答(我叫小明) → 很高兴认识你 AI回答(我叫什么) → 我不知道你的名字 # LangGraph Agent Server记住一切 Agent Server(你好) → 你好 Agent Server(我叫小明) → 你好小明 Agent Server(我叫什么) → 你叫小明无论过了多久会话了多少次LangGraph 都可以记住1.3.1.3 容错卫士LangGraph 还提供了以下关键基础设施保障 Agent Server 的执行过程• 持久执行构建能从故障中恢复、长时间运行的 Agent Server。• 人工介入允许在流程中随时检查和修改 Agent Server 状态。• 强大的调试能力与 LangSmith 集成提供可视化追踪和深度洞察。• 生产就绪的部署为有状态、长时工作流提供可扩展的部署方案。1.3.2 LangGraph 在现实中的应用LangGraph 为生产级代理提供支持受到 LinkedIn、Uber、Klarna、GitLab 等公司的信赖。公司相关产品/服务主要功能/定位核心技术/备注LinkedInLinkedIn AI 代理如 LinkedIn Coach提供个性化工作推荐、人脉拓展、职业发展建议等目前主要在探索和测试阶段旨在提升平台互动体验UberUber AI Solutions智能体解决方案为企业提供构建自主、目标驱动的多智能体 AI 系统的框架、工具和数据服务强调其智能体 AI 可协调处理复杂任务是其主要技术方向Klarna1. AI 支付与购物助手2. Agentic Product Protocol1. 处理支付、退款等客服任务已进行数百万次对话2. 一个让 AI 智能体能发现和比较线上产品的开放数据协议其 AI 助手明确由 LangGraph 构建是智能体技术在生产环境中的典型应用案例GitLab1. GitLab Duo2. CodeRider一套覆盖软件开发生命周期需求、编码、测试、部署等的 AI 助手套件其中 CodeRider 是一款深度集成 GitLab 的 AI 编程工具基于 LangGraph 开发除了表格中的概述各公司的智能体产品在设计和应用上各有侧重• Klarna 是瑞典的一家金融公司他的 AI 助手是将 LangGraph 应用于生产级业务的典范。它已 经处理了超过 250 万次对话自动化了约 70% 的重复性客服任务将平均问题解决时间缩短了 80%。该助手是一个多智能体系统能自主路由请求、处理不同任务如支付、退款等并显 著提升了服务效率。• GitLab 的 AI 产品线非常丰富其 CodeRider 产品特别值得关注。它基于 LangGraph 构建不 仅提供代码补全、解释等基础功能更能胜任复杂任务的全流程智能开发例如自动分解任务、 跨文件编辑代码、执行终端指令等。而 GitLab Duo 则是一个更广泛的 AI 功能套件包含代码建 议、漏洞解释、合并请求摘要等数十种功能旨在扮演虚拟开发团队的角色。思考一下我们可以构建什么• 个人学习助手记住你的学习进度• 智能客服处理复杂咨询• 数据分析助手多步骤分析• 游戏 NPC有记忆的虚拟角色2. LangGraph 生态系统LangGraph 是 LangChain 产品家族的一部分。可以与 LangSmith用于追踪、评估、监控、 LangGraph 部署平台用于轻松部署和扩展Agent Server以及 LangChain提供大量集成和组件 结合使用形成完整的开发、调试、部署工作流。 LangGraph 与 LangChain 顺利集成但也可以在没有 LangChain 的情况下使用。3. LangGraph 的核心概念3.1 常见概念区分3.1.1 AgentAn agent is AI-powered software that accomplishes a goal. Period. — Dharmesh Shah, HubSpot CTO and Agents.ai co-founderAgent是实现目标的人工智能软件— Dharmesh Shah, HubSpot 首席技术官兼 Agents.ai 联合创始人其核心在于由大语言模型 (LLM) 动态控制流程走向想象你有一个超级聪明的程序员助手, 你只需要说一句把这个项目的单元测试覆盖率提升到 80%. 然后他就自己去看代码、写测试、运行构建、检查结果……直到达标为止——中间不需要你插手. 这个能独立完成任务的程序, 就是我们说的 Agent (智能体) .想象一个私人助理机器人• 你说帮我安排下周去上海的差旅. • 它不会傻傻地只回复好的, 而是会a. 查天气 → 决定带什么衣服b. 查航班/高铁时间 → 比较价格c. 预订酒店 → 发送日程到你的手机d. 提醒你带身份证 整个过程没有固定的流程图, 它自己想出来的步骤——这就是典型的Agent 行为3.1.2 工作流Workflow (工作流) 是一个将复杂过程分解为定义明确、顺序执行的任务流程, 并在其中自动化传递数 据与任务的状态, 用户完成特定目标. 如果说 Agent 是聪明的执行者那工作流就是它的行动蓝图—— 它定义了“先做什么、后做什么、在什么条件下跳转或终止”。其核心在于预设的、可重复的流程路径.比如公司的报销流程• 提交发票 → 领导审批 → 财务审核 → 财务结算 → 归档完成 或者一个自动化客服工单系统• 用户提交问题 → 系统自动分类 → 分配给对应客服 → 客服处理 → 用户评价 → 工单关闭这个固定路径, 整个过程沿着预设的流程运行, 就是典型的工作流行为. LangGraph 实现的就是工作流3.1.3 工作流和 Agent 区别从概念上来讲, 工作流的流程固定, 步骤预设, 适合明确流程的任务. Agent 是由大模型 (LLM) 动态控制 流程走向, 灵活度高类型英文名特点适用场景工作流Workflow流程固定代码驱动步骤预设明确流程的任务如客服工单处理智能体Agent动态决策LLM 控制流程走向开放问题求解如科研推理Workflow 像是炒菜机器人——按步骤进行炒菜. 比如放油 → 炒蛋 → 加盐 → 出锅, 即使鸡蛋坏了, 也不会停下来.Agent 像是米其林主厨——他会思考今天食材新鲜吗? 客人忌口吗? 要不要换做法? ◦ 自主决定菜单◦ 调整火候和配料◦ 品尝后返工改进但无论是 Workflow 还是 Agent 对于他们做出来的 AI 应用在 LangChain 中可以统称为 Agent Server3.2 工作流3.2.1 工作流介绍工作流具有预先确定的代码路径并设计为按特定顺序运行。当需要设计更高复杂性的 AI 应用时工 作流为定义明确的任务提供可预测性和一致性。例如现在需要研发一款主打城市通勤的 智能电动自行车 具有导航、社交、防盗等功能。在开始研 发前需要进行多维度分析如• 市场分析用户关注续航里程、车身重量、防盗能力并对“骑行社交”组队、分享路线有新 兴兴趣。• 竞品分析传统品牌车型智能化不足互联网品牌车型续航和线下售后服务是其短板。• 技术分析评估更轻量化的电池材料与车身设计以提升续航和便携性并开发基于 GPS 和移动网络 的智能防盗系统与社交功能 App 的集成。• 最终汇总分析结果。 则我们可以将多维度分析设定为具体的流程工作流从而达到先分析再汇总的特定运行顺序。如 下图所示在 LangGraph 中工作流基于 LLM 以及添加到其中的各种增强功能如工具调用、结构化输出和 短期记忆而实现再次强调LangGraph是一个强大且灵活的“Agent Server 操作系统内核”。它不关心我们具体用 什么模型或提示词而是为我们解决构建复杂、可靠、可交互的 Agent Server 时所面临的状态管理、 流程编排、持久化和人工监督等底层工程难题。3.2.2 理解图计算如何实现工作流逻辑图计算是一种用节点和边来表示复杂系统的方法。在 AI 领域它特别适合构建 多步骤、有状态的智能工作流。 想象一个快递配送系统下图展示了包裹从输入揽收站到输出配送站的过程• 配送站、揽收站、分拣中心 节点Node• 运输路线 边Edge• 包裹信息 状态State• 完整配送网 图Graph3.3 实现工作流的核心概念3.3.1 State状态 - 快递的包裹信息State 就像快递包裹上的标签记录着包裹的当前位置、目的地、配送状态等信息。在整个配送过程 中所有站点都能查看和更新这个信息。状态特性• 共享性所有节点快递站点都能读取和修改• 持久性在整个工作流快递运输执行期间持续存在• 结构化有明确的字段定义from typing import TypedDict class PackageState(TypedDict): # 包裹基本信息 package_id: str # 包裹id origin: str # 始发站 destination: str # 目的地 # 配送状态 status: str # 待揽收, 运输中, 派送中, 已签收 history: list[str] # 流转历史 total_distance: int # 总里程 # 配送详情 priority: str # 普通, 加急所有配送站点共享的包裹信息卡就是 LangGraph 中的 State3.3.2 Nodes节点 - 快递站点节点就像快递配送网络中的各个站点每个站点负责特定的处理步骤。例如揽收站接收包裹初始化信息 分拣中心根据目的地分类包裹派送站最终配送至收件人节点特征• 单一职责每个节点只做一件事• 输入输出接收状态返回状态更新• 独立性节点间不直接通信通过 State 交互 代码示例节点只不过是函数def receive_package(state: PackageState): 揽收站 return { status: 已揽收, history: [f在{state[origin]}揽收] } def sort_package(state: PackageState): 分拣中心根据目的地分拣 destination state[destination] if 北京 in destination: next_station 北京分拣中心 elif 上海 in destination: next_station 上海分拣中心 else: next_station 其他地区分拣中心 return { status: 已分拣, history: [f分拣至{next_station}] } def final_delivery(state: PackageState): 派送站 return { status: 已签收, history: [f已送达{state[destination]}] }3.3.3 Edges边 - 快递运输路线边定义了包裹在站点之间的流动路径就像快递公司的运输路线图。对于路线一般类型有• 开始/结束路线流程的开始和结束点包裹的开始站与结束站• 固定路线包裹可以从揽收站→分拣中心所有包裹都走这条路而不能从配送站→揽收站而 是配送站→家。• 条件路线根据目的地选择不同的分拣中心实际上在 LangGraph 中边就定义了节点之间的连接关系决定了工作流的执行顺序。边的类型有• 固定边总是从 A 到 B• 条件边根据状态决定下一步• 以及图的开始和结束点标志了工作流的入口和出口。因此LangGraph 通过节点每个处理步骤、边步骤之间的连接和状态保存执行过程就 可以构建出一个任务工作流图。
十、LangGraph能力详解（LangGraph介绍及核心概念）
发布时间：2026/5/29 6:43:20
正式进入LangGraph1. LangGraph 是什么1.1 认识智能服务Agent Server学习过 LangChain我们已经知道 AI 世界是如何初步搭建的。实际我们已经用过• ChatGPT 原生模型对话式 AI一问一答• DeepSeek 客户端类似的对话助手• 一些 AI 工具比如 AI 画画、AI 写文章等在 LangChain 篇章中我们接入 LLM 构建的 AI 系统有以下特点• 单次对话“记不住”太多上下文• 主要是问答模式• 相对简单的任务什么是 Agent Server它是更聪明的 AI 助手 想象一个虚拟的“小助手”它不仅能回答问题还能• 记住和你聊过的所有事情• 执行一连串任务比如查天气 → 推荐穿搭 → 提醒带伞• 中途可以等你给出反馈• 运行很长时间不会“忘记”Agent Server 例子分镜 1我说 “帮我规划周末旅行”Agent Server 界面显示回应。分镜 2Agent Server 第一步 “查天气”屏幕 显示天气预报界面分镜 3Agent Server 第二步 “找景点”屏幕 展示景点列表和图片。分镜 4Agent Server 第三步 “订酒店”屏幕 显示酒店预订页面。分镜 5Agent Server 第四步 “规划路线”屏 幕呈现地图路线图。分镜 6Agent Server 第五步 “打包建议”屏 幕列出物品清单。1.2 构建 Agent Server 时遇到的四大难题难题描述就像·比喻状态丢失AI 处理长任务时容易“忘记”前面步骤写长文章时电脑突然关机难以调试不知道 AI 为什么做出某个决定黑盒子看不到内部无法干预不能中途给 AI 指导自动驾驶不能接管部署困难复杂 Agent Server 难以上线运行手工制作 vs 工厂生产1.3 解决方案LangGraph -- Agent Server 的“操作系统”LangGraph 是一个强大且灵活的“Agent Server 操作系统内核”。它不关心我们具体用什么模型或 提示词而是为我们解决构建复杂、可靠、可交互的 Agent Server 时所面临的状态管理、流程编排、 持久化和人工监督等底层工程难题。如果我们需要构建超越简单问答的、具备复杂逻辑和长期记忆的 AI 应用LangGraph 就是为此设计的工具。如果把 Agent Server 比作一个公司那么• AI 模型 员工干活的人• 工具 办公设备电脑、电话• LangGraph 项目经理 流程系统简单来说LangGraph 是一个专门用于构建和管理 Agent Server 的底层框架。1.3.1 LangGraph 的三大超能力1.3.1.1 记忆大师# 传统AI每次对话都是新的开始 AI回答(你好) → 你好 AI回答(我叫小明) → 很高兴认识你 AI回答(我叫什么) → 我不知道你的名字 # LangGraph Agent Server记住一切 Agent Server(你好) → 你好 Agent Server(我叫小明) → 你好小明 Agent Server(我叫什么) → 你叫小明无论过了多久会话了多少次LangGraph 都可以记住1.3.1.3 容错卫士LangGraph 还提供了以下关键基础设施保障 Agent Server 的执行过程• 持久执行构建能从故障中恢复、长时间运行的 Agent Server。• 人工介入允许在流程中随时检查和修改 Agent Server 状态。• 强大的调试能力与 LangSmith 集成提供可视化追踪和深度洞察。• 生产就绪的部署为有状态、长时工作流提供可扩展的部署方案。1.3.2 LangGraph 在现实中的应用LangGraph 为生产级代理提供支持受到 LinkedIn、Uber、Klarna、GitLab 等公司的信赖。公司相关产品/服务主要功能/定位核心技术/备注LinkedInLinkedIn AI 代理如 LinkedIn Coach提供个性化工作推荐、人脉拓展、职业发展建议等目前主要在探索和测试阶段旨在提升平台互动体验UberUber AI Solutions智能体解决方案为企业提供构建自主、目标驱动的多智能体 AI 系统的框架、工具和数据服务强调其智能体 AI 可协调处理复杂任务是其主要技术方向Klarna1. AI 支付与购物助手2. Agentic Product Protocol1. 处理支付、退款等客服任务已进行数百万次对话2. 一个让 AI 智能体能发现和比较线上产品的开放数据协议其 AI 助手明确由 LangGraph 构建是智能体技术在生产环境中的典型应用案例GitLab1. GitLab Duo2. CodeRider一套覆盖软件开发生命周期需求、编码、测试、部署等的 AI 助手套件其中 CodeRider 是一款深度集成 GitLab 的 AI 编程工具基于 LangGraph 开发除了表格中的概述各公司的智能体产品在设计和应用上各有侧重• Klarna 是瑞典的一家金融公司他的 AI 助手是将 LangGraph 应用于生产级业务的典范。它已 经处理了超过 250 万次对话自动化了约 70% 的重复性客服任务将平均问题解决时间缩短了 80%。该助手是一个多智能体系统能自主路由请求、处理不同任务如支付、退款等并显 著提升了服务效率。• GitLab 的 AI 产品线非常丰富其 CodeRider 产品特别值得关注。它基于 LangGraph 构建不 仅提供代码补全、解释等基础功能更能胜任复杂任务的全流程智能开发例如自动分解任务、 跨文件编辑代码、执行终端指令等。而 GitLab Duo 则是一个更广泛的 AI 功能套件包含代码建 议、漏洞解释、合并请求摘要等数十种功能旨在扮演虚拟开发团队的角色。思考一下我们可以构建什么• 个人学习助手记住你的学习进度• 智能客服处理复杂咨询• 数据分析助手多步骤分析• 游戏 NPC有记忆的虚拟角色2. LangGraph 生态系统LangGraph 是 LangChain 产品家族的一部分。可以与 LangSmith用于追踪、评估、监控、 LangGraph 部署平台用于轻松部署和扩展Agent Server以及 LangChain提供大量集成和组件 结合使用形成完整的开发、调试、部署工作流。 LangGraph 与 LangChain 顺利集成但也可以在没有 LangChain 的情况下使用。3. LangGraph 的核心概念3.1 常见概念区分3.1.1 AgentAn agent is AI-powered software that accomplishes a goal. Period. — Dharmesh Shah, HubSpot CTO and Agents.ai co-founderAgent是实现目标的人工智能软件— Dharmesh Shah, HubSpot 首席技术官兼 Agents.ai 联合创始人其核心在于由大语言模型 (LLM) 动态控制流程走向想象你有一个超级聪明的程序员助手, 你只需要说一句把这个项目的单元测试覆盖率提升到 80%. 然后他就自己去看代码、写测试、运行构建、检查结果……直到达标为止——中间不需要你插手. 这个能独立完成任务的程序, 就是我们说的 Agent (智能体) .想象一个私人助理机器人• 你说帮我安排下周去上海的差旅. • 它不会傻傻地只回复好的, 而是会a. 查天气 → 决定带什么衣服b. 查航班/高铁时间 → 比较价格c. 预订酒店 → 发送日程到你的手机d. 提醒你带身份证 整个过程没有固定的流程图, 它自己想出来的步骤——这就是典型的Agent 行为3.1.2 工作流Workflow (工作流) 是一个将复杂过程分解为定义明确、顺序执行的任务流程, 并在其中自动化传递数 据与任务的状态, 用户完成特定目标. 如果说 Agent 是聪明的执行者那工作流就是它的行动蓝图—— 它定义了“先做什么、后做什么、在什么条件下跳转或终止”。其核心在于预设的、可重复的流程路径.比如公司的报销流程• 提交发票 → 领导审批 → 财务审核 → 财务结算 → 归档完成 或者一个自动化客服工单系统• 用户提交问题 → 系统自动分类 → 分配给对应客服 → 客服处理 → 用户评价 → 工单关闭这个固定路径, 整个过程沿着预设的流程运行, 就是典型的工作流行为. LangGraph 实现的就是工作流3.1.3 工作流和 Agent 区别从概念上来讲, 工作流的流程固定, 步骤预设, 适合明确流程的任务. Agent 是由大模型 (LLM) 动态控制 流程走向, 灵活度高类型英文名特点适用场景工作流Workflow流程固定代码驱动步骤预设明确流程的任务如客服工单处理智能体Agent动态决策LLM 控制流程走向开放问题求解如科研推理Workflow 像是炒菜机器人——按步骤进行炒菜. 比如放油 → 炒蛋 → 加盐 → 出锅, 即使鸡蛋坏了, 也不会停下来.Agent 像是米其林主厨——他会思考今天食材新鲜吗? 客人忌口吗? 要不要换做法? ◦ 自主决定菜单◦ 调整火候和配料◦ 品尝后返工改进但无论是 Workflow 还是 Agent 对于他们做出来的 AI 应用在 LangChain 中可以统称为 Agent Server3.2 工作流3.2.1 工作流介绍工作流具有预先确定的代码路径并设计为按特定顺序运行。当需要设计更高复杂性的 AI 应用时工 作流为定义明确的任务提供可预测性和一致性。例如现在需要研发一款主打城市通勤的 智能电动自行车 具有导航、社交、防盗等功能。在开始研 发前需要进行多维度分析如• 市场分析用户关注续航里程、车身重量、防盗能力并对“骑行社交”组队、分享路线有新 兴兴趣。• 竞品分析传统品牌车型智能化不足互联网品牌车型续航和线下售后服务是其短板。• 技术分析评估更轻量化的电池材料与车身设计以提升续航和便携性并开发基于 GPS 和移动网络 的智能防盗系统与社交功能 App 的集成。• 最终汇总分析结果。 则我们可以将多维度分析设定为具体的流程工作流从而达到先分析再汇总的特定运行顺序。如 下图所示在 LangGraph 中工作流基于 LLM 以及添加到其中的各种增强功能如工具调用、结构化输出和 短期记忆而实现再次强调LangGraph是一个强大且灵活的“Agent Server 操作系统内核”。它不关心我们具体用 什么模型或提示词而是为我们解决构建复杂、可靠、可交互的 Agent Server 时所面临的状态管理、 流程编排、持久化和人工监督等底层工程难题。3.2.2 理解图计算如何实现工作流逻辑图计算是一种用节点和边来表示复杂系统的方法。在 AI 领域它特别适合构建 多步骤、有状态的智能工作流。 想象一个快递配送系统下图展示了包裹从输入揽收站到输出配送站的过程• 配送站、揽收站、分拣中心 节点Node• 运输路线 边Edge• 包裹信息 状态State• 完整配送网 图Graph3.3 实现工作流的核心概念3.3.1 State状态 - 快递的包裹信息State 就像快递包裹上的标签记录着包裹的当前位置、目的地、配送状态等信息。在整个配送过程 中所有站点都能查看和更新这个信息。状态特性• 共享性所有节点快递站点都能读取和修改• 持久性在整个工作流快递运输执行期间持续存在• 结构化有明确的字段定义from typing import TypedDict class PackageState(TypedDict): # 包裹基本信息 package_id: str # 包裹id origin: str # 始发站 destination: str # 目的地 # 配送状态 status: str # 待揽收, 运输中, 派送中, 已签收 history: list[str] # 流转历史 total_distance: int # 总里程 # 配送详情 priority: str # 普通, 加急所有配送站点共享的包裹信息卡就是 LangGraph 中的 State3.3.2 Nodes节点 - 快递站点节点就像快递配送网络中的各个站点每个站点负责特定的处理步骤。例如揽收站接收包裹初始化信息 分拣中心根据目的地分类包裹派送站最终配送至收件人节点特征• 单一职责每个节点只做一件事• 输入输出接收状态返回状态更新• 独立性节点间不直接通信通过 State 交互 代码示例节点只不过是函数def receive_package(state: PackageState): 揽收站 return { status: 已揽收, history: [f在{state[origin]}揽收] } def sort_package(state: PackageState): 分拣中心根据目的地分拣 destination state[destination] if 北京 in destination: next_station 北京分拣中心 elif 上海 in destination: next_station 上海分拣中心 else: next_station 其他地区分拣中心 return { status: 已分拣, history: [f分拣至{next_station}] } def final_delivery(state: PackageState): 派送站 return { status: 已签收, history: [f已送达{state[destination]}] }3.3.3 Edges边 - 快递运输路线边定义了包裹在站点之间的流动路径就像快递公司的运输路线图。对于路线一般类型有• 开始/结束路线流程的开始和结束点包裹的开始站与结束站• 固定路线包裹可以从揽收站→分拣中心所有包裹都走这条路而不能从配送站→揽收站而 是配送站→家。• 条件路线根据目的地选择不同的分拣中心实际上在 LangGraph 中边就定义了节点之间的连接关系决定了工作流的执行顺序。边的类型有• 固定边总是从 A 到 B• 条件边根据状态决定下一步• 以及图的开始和结束点标志了工作流的入口和出口。因此LangGraph 通过节点每个处理步骤、边步骤之间的连接和状态保存执行过程就 可以构建出一个任务工作流图。
