失业一年了天天想着怎么翻身。去年用LangChain Agent写东西经常状态丢了、循环卡死debug像抓瞎。后来接触LangGraph第一次感觉AI流程终于能像画流程图一样自己掌握节奏。这节课不追求复杂代码而是把“LangGraph到底是什么、为什么比以前强”讲清楚。我用大量图示 超详细注释的简单代码帮助大家真正看懂它的基本原理。本课目标明白LangGraph是什么、它解决什么痛点通过图示看懂它和LangChain Agent的本质区别理解State、Node、Edge这三个核心概念通过带详细注释的简单代码第一次感受到“流程可控”的爽感环境准备先安装包我们用DeepSeek模型pipinstall-Ulanggraph langchain langchain-deepseek langchain-core设置API Keyimportos os.environ[DEEPSEEK_API_KEY]你的DeepSeek API Key核心代码实战先来看一张最直观的图帮助你理解LangGraph的基本原理图1LangGraph核心原理State Node Edge左边是一个“状态”State数据库右边是流程图。每个Node节点可以读写StateEdge边决定下一步去哪里Conditional Edge条件边让流程根据情况分支或循环。这就是LangGraph最核心的思路一切都是可见、可控的。LangChain Agent vs LangGraph 对比先看两张对比图帮你一眼看出区别图2LangChain vs LangGraph 管道对比左边LangChain是线性链Input → Chain → Output右边LangGraph可以有多个分支和循环更灵活。图3LangChain是直线LangGraph是可分支的图LangChain像一条直路LangGraph像有岔路口的地图你可以自己决定走哪条、什么时候回头。代码段1用LangChain写一个经典ReAct Agent带详细注释fromlangchain_deepseekimportChatDeepSeekfromlangchain.agentsimportcreate_react_agent,AgentExecutorfromlangchain_core.toolsimporttoolfromlangchainimporthub# 定义一个简单工具乘法tooldefmultiply(a:int,b:int)-int:把两个数字相乘returna*b llmChatDeepSeek(modeldeepseek-chat,temperature0)tools[multiply]# 使用官方ReAct prompt模板思考 → 行动 → 观察prompthub.pull(hwchase17/react)# 创建Agent把llm、tools、prompt组合在一起agentcreate_react_agent(llm,tools,prompt)# 创建执行器负责运行整个循环agent_executorAgentExecutor(agentagent,toolstools,verboseTrue)# 运行resultagent_executor.invoke({input:5乘以8是多少})print(最终回答,result[output])运行结果说明正常输出“40”。但整个过程是LLM自己在决定循环多少次、什么时候调用工具你很难干预。一旦出问题幻觉或死循环就像黑盒一样难调试。代码段2用LangGraph实现同样功能带超详细注释 流程图辅助先看这张图理解我们下面要画的流程图4LangGraph典型流程图带条件边从START开始经过Node1用Conditional Edge决定下一步工具执行完可以循环回来。fromtypingimportAnnotated,TypedDictfromlanggraph.graphimportStateGraph,START,ENDfromlanggraph.graph.messageimportadd_messagesfromlangchain_core.messagesimportAnyMessage,HumanMessagefromlangchain_deepseekimportChatDeepSeekfromlangchain_core.toolsimporttoolfromlanggraph.prebuiltimportToolNode# 1. 定义工具和上面一样tooldefmultiply(a:int,b:int)-int:把两个数字相乘returna*b# 2. 准备LLM并绑定工具llmChatDeepSeek(modeldeepseek-chat,temperature0)llm_with_toolsllm.bind_tools([multiply])# 3. 定义State整个图共享的状态像一块黑板classState(TypedDict):# messages列表会自动追加新消息add_messages的作用messages:Annotated[list[AnyMessage],add_messages]# 4. 定义Agent节点让LLM思考并决定是否调用工具defcall_model(state:State):# 把当前所有消息喂给LLMresponsellm_with_tools.invoke(state[messages])# 返回新消息追加到状态return{messages:[response]}# 5. 定义条件路由函数判断下一步去哪defshould_continue(state:State)-str:last_messagestate[messages][-1]# 如果LLM想要调用工具就去tools节点iflast_message.tool_calls:returntools# 否则直接结束returnEND# 6. 创建工具执行节点内置自动执行工具并把结果写回messagestools_nodeToolNode([multiply])# 7. 画图workflowStateGraph(State)workflow.add_node(agent,call_model)# 添加思考节点workflow.add_node(tools,tools_node)# 添加工具节点workflow.add_edge(START,agent)# 从起点到agent# 条件边从agent出来根据should_continue决定去哪workflow.add_conditional_edges(agent,should_continue,{tools:tools,END:END})workflow.add_edge(tools,agent)# 工具执行完回到agent支持循环graphworkflow.compile()# 运行测试resultgraph.invoke({messages:[HumanMessage(content5乘以8是多少)]})print(最终回答,result[messages][-1].content)运行结果说明一样输出“40”。但现在流程完全由你控制你可以随时打印state[“messages”]看每一步发生了什么想中断、加分支、加记忆都非常容易。小练习正好2道练习1基础看上面图1和图4用自己的话描述State、Node、Edge分别是什么它们之间怎么配合工作50-100字练习2进阶如果我想在代码段2中增加一个“最多循环2次工具就强制结束”的逻辑你觉得应该在哪里修改简单描述思路看图思考即可本课小结LangGraph把AI工作流变成一张可画、可控的图。核心是State共享状态、Node执行动作的节点、Edge连接规则普通边或条件边。相比LangChain Agent的黑盒循环它让你真正掌握流程调试容易、扩展性强。2026年做复杂AI系统LangGraph几乎是标配。下节预告第2课LangGraph 的基础构建块State、Node、Edge我们继续用图示 更详细注释手把手写State、加Edge、写条件分支跑通带工具判断的小图。如果觉得这篇有用欢迎点赞和关注一起玩转 LangGraph