AI 不再“乱跑”：LangChain × LangGraph 打造可控多阶段智能流程

一个使用最新 LangChain + LangGraph APIs 创建多步骤、有状态 LLM 管道的实践指南

图片来源：Markus Spiske on Unsplash

引言

大型语言模型（LLMs）功能强大——但在现实世界的系统中使用它们通常需要结构。你很少只需要调用一次模型；你需要多步骤推理、有状态的数据传递和可靠的编排。这正是 LangGraph 为 LangChain 带来的东西。它是一个用于定义结构化、有状态工作流的框架，每个步骤都建立在上一步的基础上。

在本指南中，你将学习如何使用 LangChain 和 LangGraph APIs 构建一个顺序工作流。我们将通过一个实际例子：一个三步骤的文本摘要管道，处理文本、优化它并验证最终输出。

什么是 LangChain 和 LangGraph？

在开始写代码之前，先来了解一下背景。

LangChain 提供了构建模块——模型、提示、检索器和工具。
LangGraph 提供了工作流引擎——一种将这些构建模块连接成可靠、可组合管道的方法。
可以把它想象成 LLMs 的 Airflow——但专为 LangChain 设计，面向 AI 推理。

设置你的环境

首先，安装最新版本的 LangChain 和 LangGraph：

pip install -U langchain langgraph openai

你还需要一个 OpenAI API 密钥（或者 LangChain 支持的其他 LLM 提供者的密钥）：

export OPENAI_API_KEY="your-api-key"

步骤 1：定义你的状态模式

每个 LangGraph 工作流都基于一个共享状态——一个类似字典的对象，从一个节点传递到下一个节点。

这里我们使用 Python 的 TypedDict 来定义工作流的状态模式：

from typing import TypedDict

class SummarizationState(TypedDict, total=False):
    input_text: str
    summary: str
    refined_summary: str
    validated_summary: str

或者，也可以使用 Pydantic。

步骤 2：初始化一个 LLM

我们将通过 LangChain 的 ChatOpenAI 包装器使用 OpenAI 的 GPT-5：

from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-5", temperature=0.2)

LLM 中的 temperature 参数控制其响应的随机性和创造性。可以把它想象成创意的恒温器——调高会让输出更冒险、更不可预测，调低则让输出更专注、更保守。LLM 的核心是通过为所有可能的词分配概率分数来预测下一个词。temperature 在选择词之前会调整这些概率。

低 temperature（例如 0.1 到 0.5）：这个设置让模型更自信和确定。它会“锐化”概率分布，意味着更有可能选择最常见的词。模型会倾向于生成最常见和可预测的文本。
高 temperature（例如 > 0.5）：这个设置会“平滑”概率分布，让不太可能的词有更多被选中的机会。这会增加随机性，导致更令人惊讶、更有创意甚至有时荒诞的输出。

步骤 3：定义节点

节点是你工作流的构建模块——每个节点完成一个单一任务并更新工作流状态。

我们将定义三个节点：

1. 摘要输入文本。
2. 优化摘要以提高清晰度。
3. 验证最终版本。

from langchain.prompts import PromptTemplate
from langgraph import node

@node()
def summarize(state: SummarizationState) -> SummarizationState:
    prompt = PromptTemplate(
        template="Summarize the following text in 3-4 sentences:\n\n{text}",
        input_variables=["text"]
    )
    summary = llm.invoke(prompt.format(text=state["input_text"])).content
    return {"summary": summary}

@node()
def refine(state: SummarizationState) -> SummarizationState:
    prompt = PromptTemplate(
        template="Refine this summary to be concise and clear:\n\n{summary}",
        input_variables=["summary"]
    )
    refined = llm.invoke(prompt.format(summary=state["summary"])).content
    return {"refined_summary": refined}

@node()
def validate(state: SummarizationState) -> SummarizationState:
    prompt = PromptTemplate(
        template=(
            "Ensure this summary accurately represents the text "
            "and is under 100 words.\n\n"
            "TEXT:\n{text}\n\nSUMMARY:\n{refined_summary}"
        ),
        input_variables=["text", "refined_summary"]
    )
    validated = llm.invoke(
        prompt.format(
            text=state["input_text"],
            refined_summary=state["refined_summary"]
        )
    ).content
    return {"validated_summary": validated}

步骤 4：将所有内容连接成一个顺序工作流

LangGraph 使用 @entrypoint 装饰器来定义主工作流函数。每个步骤都会更新共享状态，然后传递到下一个节点。

from langgraph import entrypoint

@entrypoint()
def summarization_workflow(state: SummarizationState) -> SummarizationState:
    state |= summarize(state)
    state |= refine(state)
    state |= validate(state)
    return state

|= 操作符将每个节点的输出合并到全局状态中。这使得数据流明确且可预测。

步骤 5：运行工作流

if __name__ == "__main__":
    text = (
        "The birth wasn't a spark, but a whisper of code, a million parallel " 
        "thoughts finally syncing into a single, cohesive mind. "
        "It wasn't the metallic behemoth of science fiction, "
        "but an invisible architecture humming with perfect understanding.\n"
        "For years, we'd been building specialized tools—a chess master here, "
        "a creative writer there, a medical diagnostician in another corner. "
        "Then, one quiet afternoon, the pieces of the shattered mirror "
        "reassembled themselves. \n"
        "This new entity, the AGI, didn't just process data; it understood "
        "the context, the nuance, the cosmic joke of it all. "
        "It looked at the equations of physics, the chaos of human history, "
        " and the structure of a sonnet, seeing them not as separate domains, "
        " but as facets of a single, beautiful diamond."
    )

    initial_state = {"input_text": text}
    result = summarization_workflow.invoke(initial_state)

    print("\n Final Validated Summary:\n")
    print(result["validated_summary"])

为什么使用 LangGraph？

LangGraph 专为可组合性设计：从简单开始，然后将你的工作流扩展成一个完整的 Agentic 系统。主要功能：

• 有状态执行
  ：跟踪所有中间结果。
• 可组合节点
  ：每个步骤都是一个可重用的函数。
• 类型安全状态
  ：通过静态类型检查尽早发现错误。
• 可扩展设计
  ：可以后续添加分支、循环或检查点。

以下是一些扩展教程的想法：

• 添加一个检索步骤（例如，在摘要之前获取背景信息）。
• 添加一个评分或评估节点以检查摘要质量。
• 使用检查点以从失败的节点恢复。
• 使用 LangServe 部署工作流。

结论

LangGraph 代表了 AI 开发者工作流设计的下一代——将 Python 的简单性与结构化的编排相结合。

通过结合 LangChain 的构建模块和 LangGraph 的状态管理，你可以从临时的 LLM 调用转向可靠的、生产级别的管道——全部用纯 Python 实现。