一、引言为什么需要新的 Agent 控制流模型随着大模型能力的提升AI 应用逐渐从简单的 **LLM 调用链LLM Chain**演进为复杂的Agent 系统。典型 Agent 往往需要具备以下能力多轮推理reasoning loop动态工具调用tool selection并行任务执行parallel tasks多 Agent 协作multi-agent collaboration人类参与human-in-the-loop长时间运行任务long-running workflows传统 LLM pipeline 的结构通常是LLM → Tool → LLM → Tool这种结构存在明显局限控制流难以表达循环并行任务支持困难状态管理复杂多 Agent 协作缺乏统一模型为了解决这些问题LangChain 团队设计了LangGraph。LangGraph 的核心思想是使用带状态的有向图Stateful Directed Graph作为 Agent Runtime。在 LangGraph 中Graph State Runtime共同构成一个完整的Agent Orchestration System。而实现复杂控制流的关键正是 LangGraph 提供的四类控制流原语Control Flow Primitives控制原语作用EdgeGraph 级流程控制CommandNode 级动态路由Send并行任务分发Interrupt人类参与流程本文将系统解析这四类控制原语的设计理念、执行机制与架构意义。二、LangGraph Runtime 执行模型在深入控制流之前需要理解 LangGraph 的运行机制。LangGraph Runtime 可以抽象为Graph Definition Execution Engine State Store Reducer System其基本执行流程如下Node execution ↓ State update ↓ Reducer merge ↓ Edge resolution ↓ Next node scheduling更具体地说节点执行Node Execution节点执行逻辑例如调用 LLM 或工具。状态更新State Update节点返回新的 state 片段。Reducer 合并Reducer Merge如果多个节点同时更新 state需要通过 reducer 合并。路径解析Edge ResolutionGraph 根据 edge 或 routing 决定下一步节点。调度执行SchedulingRuntime 调度新的节点执行。因此 LangGraph 本质上是一个Event-driven Graph Runtime而不是简单的 DAG workflow。三、EdgeGraph 层控制流Edge 是 LangGraph 中最基础的控制流机制它定义了Graph 的拓扑结构。LangGraph 提供两种 Edge 类型add_edge add_conditional_edges3.1 静态 Edge最简单的流程graph.add_edge(A,B)执行结构A → B特点执行顺序固定类似传统 workflow适用于ETL pipeline 固定任务流程 工具处理管道3.2 条件 Edge更常见的情况是需要动态路由。LangGraph 提供graph.add_conditional_edges(A,router,{tool:tool_node,end:END})执行流程A ↓ router(state) ↓ tool_node 或 ENDRouter 的职责是根据 state 决定下一节点Router 可以返回单个节点 多个节点 END3.3 并行执行如果 router 返回多个节点[node_b, node_c]Runtime 会并行执行node_b node_c这使 Graph 可以表达fan-out workflow。3.4 Edge 的设计哲学Edge 模式强调Graph is the workflow也就是说控制流 Graph 拓扑优点流程清晰可视化友好易于调试缺点灵活性有限Agent 自主性较弱四、CommandNode 层控制流随着 Agent 复杂度增加仅依赖 Edge 会产生一个问题控制逻辑被拆分为Node logic Router logic这导致代码分散。为了解决这一问题LangGraph 引入了Command 模式。4.1 Command 的核心思想Command 是一种Node-level control primitive。节点可以同时完成更新状态 决定下一节点示例fromlanggraph.typesimportCommanddefnode(state):ifstate[score]0.8:returnCommand(update{result:good},gotonode_b)returnCommand(update{result:bad},gotonode_c)执行流程node execution ↓ Command(update, goto) ↓ state update ↓ schedule next node4.2 动态路由能力Command 允许节点在运行时动态决定下一节点node → any node这非常适合Agent reasoning multi-agent handoff dynamic tool routing例如planner → researcher → writer每个节点可以决定下一步。4.3 关于 “Edgeless Graph”Command 常被描述为支持edgeless graph。更准确地说Command 提供运行时动态路由能力 但目标节点必须已经存在于 Graph 中。因此 Graph 仍然需要注册节点builder.add_node(...)Command 只是减少了显式 Edge 的需求。五、Send并行任务分发复杂 Agent 系统经常需要执行并行任务。例如多主题搜索 文档批量分析 查询扩展LangGraph 提供Send 原语。5.1 Send 的基本机制Send 用于在运行时创建多个任务。示例fromlanggraph.typesimportSenddefplanner(state):topicsstate[topics]return[Send(research_node,{topic:t})fortintopics]执行流程planner ↓ spawn tasks ↓ research(topic1) research(topic2) research(topic3)5.2 State 隔离Send 创建的每个任务拥有独立 statebranch_state parent_state payload例如topic AI topic Robotics topic Biology每个 worker 处理自己的 state。5.3 State 合并并行执行完成后需要合并 state。LangGraph 使用Reducer 机制。例如Annotated[list,operator.add]表示list list最终结果合并为results [result1, result2, result3]5.4 Send 的典型应用Send 常用于Map-Reduce Agents Parallel Search Batch Processing Document Summarization六、InterruptHuman-in-the-loop在很多真实场景中Agent 需要人类参与。例如法律文书审核 医疗报告确认 代码评审LangGraph 提供Interrupt 原语。6.1 Interrupt 的工作机制Interrupt 的作用是暂停 Graph 执行 等待外部输入示例fromlanggraph.typesimportinterruptdefreview_node(state):feedbackinterrupt({draft:state[draft]})return{feedback:feedback}执行流程writer ↓ review_node ↓ interrupt ↓ 等待人工输入 ↓ 恢复执行6.2 Checkpoint 机制Interrupt 依赖 LangGraph 的Checkpoint 系统。执行流程node ↓ interrupt ↓ checkpoint 保存 ↓ 等待输入 ↓ resume graph恢复时加载 checkpoint 继续执行这使 LangGraph 支持long-running agents durable workflows七、四种控制原语的统一模型LangGraph 的控制流原语可以从架构层次理解。Graph Layer ↓ Node Layer ↓ Runtime Layer对应原语Graph Layer Edge Node Layer Command Runtime Layer Send Interrupt作用分别是Edge → 定义 workflow 结构 Command → 实现 Agent 自主决策 Send → 实现并行任务 Interrupt → 支持人类协作四者组合形成完整的 Agent orchestration 能力。八、典型 Agent 架构模式LangGraph 原语可以组合出多种 Agent 架构。8.1 ReAct Agent结构LLM ↓ Tool? ↓ Tool Node ↓ LLM通常使用conditional edges8.2 Planner–Executor结构planner ↓ Send tasks ↓ workers ↓ aggregator核心原语Send8.3 Multi-Agent Collaboration结构planner researcher writer criticAgent 之间通过Command进行 handoff。8.4 Human-in-the-loop Workflow结构LLM ↓ draft ↓ Interrupt ↓ human review ↓ continue九、LangGraph 的架构意义LangGraph 并不仅仅是一个 workflow engine。它更接近于Stateful Agent Runtime结合了Workflow Engine Actor Model Graph Execution Runtime其核心能力包括state management dynamic routing parallel execution human collaboration这使 LangGraph 成为构建复杂 Agent 系统的重要基础设施。十、总结LangGraph 的控制流体系由四个核心原语组成Edge Command Send Interrupt它们分别解决不同层面的控制问题Edge → workflow routing Command → agent autonomy Send → parallel execution Interrupt → human interaction四者共同构成一个完整的Stateful Agent Runtime通过组合这些原语开发者可以构建复杂推理 Agent 多 Agent 协作系统 大规模并行任务 Agent 人机协作流程这也是 LangGraph 相比传统 LLM pipeline 的最大突破。