理解 LangGraph 工作流与 ReAct 代理

LangGraph 是 LangChain 生态系统的一部分，用于构建状态驱动的工作流和智能代理。它支持开发者创建结构化的、精确控制的流程或动态的智能助手。本文将比较 LangGraph 的两种实现方式：基于 StateGraph 的自定义工作流和基于 create_react_agent 的 ReAct 代理，分析它们的区别、原理和使用场景，用通俗的语言结合 LangGraph 文档进行说明。

1. 基于 StateGraph 的自定义工作流

概述

StateGraph 工作流就像一条“工厂流水线”，你需要手动设计每个步骤（节点）和步骤之间的连接（边）。它适合需要严格控制多步骤流程的任务，比如生成笑话或文章。

工作原理

• 状态定义：使用 TypedDict 定义状态（State），比如包含 topic（主题）、joke（初始笑话）、improved_joke（改进笑话）等字段，记录流程中的数据。
• 节点（Nodes）：每个节点是一个函数，执行特定任务，比如调用大模型（LLM）生成笑话、检查笑话是否有 punchline（笑点）或优化笑话。
• 边（Edges）：定义节点之间的跳转逻辑，比如从 START 到生成笑话，再根据检查结果决定是结束（END）还是继续优化。
• 条件边：通过 add_conditional_edges 实现动态跳转，比如如果笑话没有 punchline，就进入优化节点。
• 执行：通过 workflow.compile() 生成可运行的 chain，然后用 chain.invoke({"topic": "cats"}) 执行，输出初始笑话、改进笑话（如果有）等。

特点

• 高度结构化：开发者明确定义每一步和跳转逻辑，适合固定、可预测的任务。
• 状态传递：状态在节点间传递，比如从生成笑话到优化的过程中，State 不断更新。
• 代码量较多：需要手动定义状态、节点和边，适合复杂但明确的任务。

示例

场景：自动生成一篇关于“AI 医疗”的文章，步骤为：

1. 生成文章大纲。
2. 检查大纲是否包含引言、正文、结论。
3. 如果不完整，补充缺失部分；如果完整，写文章。
4. 最后润色文章，添加吸引人的标题。

代码（简化版）：

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

class State(TypedDict):
    topic: str
    outline: str
    article: str
    polished_article: str

def generate_outline(state: State):
    outline = llm.invoke(f"生成关于{state['topic']}的文章大纲")
    return {"outline": outline.content}

def check_outline(state: State):
    if "引言" in state["outline"] and "结论" in state["outline"]:
        return "Pass"
    return "Fail"

def improve_outline(state: State):
    improved = llm.invoke(f"补充这个大纲的缺失部分: {state['outline']}")
    return {"outline": improved.content}

def write_article(state: State):
    article = llm.invoke(f"根据这个大纲写文章: {state['outline']}")
    return {"article": article.content}

def polish_article(state: State):
    polished = llm.invoke(f"润色这篇文章并添加吸引人的标题: {state['article']}")
    return {"polished_article": polished.content}

workflow = StateGraph(State)
workflow.add_node("generate_outline", generate_outline)
workflow.add_node("improve_outline", improve_outline)
workflow.add_node("write_article", write_article)
workflow.add_node("polish_article", polish_article)

workflow.add_edge(START, "generate_outline")
workflow.add_conditional_edges("generate_outline", check_outline, {"Pass": "write_article", "Fail": "improve_outline"})
workflow.add_edge("improve_outline", "write_article")
workflow.add_edge("write_article", "polish_article")
workflow.add_edge("polish_article", END)

chain = workflow.compile()
result = chain.invoke({"topic": "AI在医疗中的应用"})
print(result["polished_article"])

为什么用 StateGraph：

• 任务有明确的步骤（生成 → 检查 → 补充 → 写作 → 润色）。
• 需要状态在步骤间传递，比如大纲传递到写作节点。
• 适合结构化的内容生成任务。

2. 基于 create_react_agent 的 ReAct 代理

概述

ReAct 代理就像一个“智能助手”，你给它工具（比如查天气的函数），它根据用户输入动态决定如何处理，比如是直接回答还是调用工具。ReAct 是“推理（Reasoning）+行动（Acting）”的缩写，适合处理不确定的用户输入。

工作原理

• 代理结构：使用 langgraph.prebuilt.create_react_agent 创建，集成了大模型（比如 Claude-3.7）和工具（比如 get_weather）。
• ReAct 逻辑：代理接收用户输入（比如“旧金山的天气”），先推理：
  • 如果能直接回答，就用模型知识回复。
  • 如果需要工具（比如查天气），就调用工具并整合结果。
• 状态管理：内部也是一个 StateGraph，状态包括用户消息、工具调用历史等，代理通过循环（推理 → 行动 → 观察）更新状态，直到得出最终回答。
• 执行：通过 agent.invoke({"messages": [...]}) 执行，代理动态处理输入，比如调用 get_weather("sf") 返回“旧金山总是晴天！”。

特点

• 动态性强：根据输入自动决定行动路径，适合开放性任务。
• 简单易用：使用预构建模板，开发者只需提供模型和工具，省去定义节点和边的麻烦。
• 适合交互：能处理多种用户输入，比如问天气、翻译或计算。

示例

场景：构建一个能回答天气、翻译等多种问题的助手，用户输入不确定。

代码：

from langgraph.prebuilt import create_react_agent

def get_weather(city: str) -> str:
    return f"{city}总是晴天！"

def translate_text(text: str, target_lang: str) -> str:
    return f"将'{text}'翻译成{target_lang}：[模拟翻译]"

agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",
    tools=[get_weather, translate_text],
    prompt="你是一个能回答问题和使用工具的助手"
)

# 用户问天气
result = agent.invoke({"messages": [{"role": "user", "content": "东京的天气如何？"}]})
print(result["messages"][-1]["content"])  # 输出：东京总是晴天！

# 用户问翻译
result = agent.invoke({"messages": [{"role": "user", "content": "把'hello'翻译成西班牙语"}]})
print(result["messages"][-1]["content"])  # 输出：将'hello'翻译成西班牙语：[模拟翻译]

为什么用 ReAct 代理：

• 用户输入多样（天气、翻译等），代理动态决定调用哪个工具。
• 预构建模板省去手动定义流程的麻烦。
• 适合快速开发交互式应用，比如聊天机器人。

3. 两者区别

核心区别：

• StateGraph 工作流：像搭积木，手动设计每一步，适合固定流程，比如生成笑话（生成 → 检查 → 优化）。
• ReAct 代理：像智能助手，给它工具，它自己决定怎么用，适合处理用户问天气、翻译等动态任务。

4. 哪个是真正的 LangGraph？

两者都基于 LangGraph！LangGraph 是一个基于有向图的框架，核心是 StateGraph，通过状态、节点和边管理复杂逻辑。

• StateGraph 工作流：直接使用 LangGraph 的核心功能，手动定义状态、节点和边，适合高度定制化场景。比如，笑话生成中，状态从 {"topic": "cats"} 更新到包含 joke、improved_joke 等。
• ReAct 代理：使用 LangGraph 的预构建模板（create_react_agent），内部也是 StateGraph，但逻辑由框架预定义，开发者只需提供工具和提示，适合快速开发。

5. 使用场景

StateGraph 工作流

• 适用场景：
  • 需要严格控制多步骤任务，比如内容生成（笑话、文章）、数据处理流水线。
  • 有明确步骤和条件分支，比如“如果数据不完整就补充”。
  • 需要状态持久化，传递中间结果。
• 例子：
  • 营销文案生成：生成草稿 → 检查关键词 → 优化语气 → 添加行动号召。
  • 数据清洗：读取数据 → 检查缺失值 → 填充缺失值 → 保存。

ReAct 代理

• 适用场景：
  • 处理开放性用户输入，比如聊天机器人、问答系统。
  • 需要动态调用外部工具（API、数据库、计算器等）。
  • 快速原型开发，省去手动定义复杂流程。
• 例子：
  • 智能助手：回答天气、翻译、搜索网页。
  • 客户服务机器人：根据用户问题调用订单查询 API 或回答常见问题。

6. 总结

• StateGraph 工作流：像“工厂流水线”，你自己设计每条传送带，适合固定、复杂的任务，比如生成笑话或文章。
• ReAct 代理：像“智能助手”，给它工具，它自己判断怎么用，适合回答用户各种问题，比如查天气。
• 选择建议：
  • 如果需要精确控制每一步，用 StateGraph（比如笑话生成）。
  • 如果需要快速建一个能处理多种问题的助手，用 ReAct 代理（比如天气查询机器人）。