第 9 課：LangChain 和 LangGraph — 有狀態代理工作流程

建構 AI 代理：從零到生產

第 4 部分：代理框架

亞洲開發網

簡介

從頭開始建立代理對於理解這個概念非常有用，但生產需要一個框架。 LangGraph（由 LangChain 團隊開發）是目前可用於有狀態、基於圖表的代理程式工作流程的最強大的框架。

---

1. LangChain 與 LangGraph

	浪鏈	郎圖
範式	鏈條（線性）	圖表（循環）
狀態	無國籍	有狀態
最適合	簡單的管道，RAG	複雜代理，多步驟
控制流程	順序	條件路由

2. LangGraph 基礎知識

from langgraph.graph import StateGraph, MessagesState, START, END

def call_llm(state: MessagesState):
    response = model.invoke(state["messages"])
    return {"messages": [response]}

def use_tools(state: MessagesState):
    # Execute tool calls
    ...

# Build graph
graph = StateGraph(MessagesState)
graph.add_node("llm", call_llm)
graph.add_node("tools", use_tools)
graph.add_edge(START, "llm")
graph.add_conditional_edges("llm", should_use_tools, {"yes": "tools", "no": END})
graph.add_edge("tools", "llm")

agent = graph.compile()

---

總結

• LangGraph = 代理程式工作流程的狀態機
• 節點 = 函數，邊 = 轉換，狀態 = 共享數據
• 複雜決策樹的條件路由
• 人機互動內建支持
• 長期運作的工作流程的持久性

練習

1.用LangGraph實現研究代理 2.新增人機互動審核步驟 3. 工具失敗時實作重試邏輯 4. 建構一個具有 3 個以上條件分支的代理