基于本文回答

播面 播面

刷题像听歌，多听自然懂
0
评论
请从左侧选择一个分类

LangGraph的State（状态）

知识点图片

在 LangGraph 中，State（状态） 是整个框架的核心概念。你可以把它理解为整个图（Graph）的“全局内存”或“上下文”。

在 LangGraph 构成的应用（通常是 AI Agent）中，工作流程被抽象为图中的各个节点（Nodes）和边（Edges）。而 State 就是在这些节点之间流转、读取和更新的数据对象。

简单来说，可以打个比方：如果把 LangGraph 的运行过程看作一条流水线，各个节点是流水线上的工人，那么 State 就是那个在传送带上不断被传递、修改和添加内容的“档案袋”。

以下是关于 LangGraph 中 State 的几个关键点：

1. State 的定义（数据结构）

State 通常通过 Python 的 TypedDict 或 Pydantic 模型来定义。你可以在其中声明你的应用需要追踪哪些变量。例如：用户的提问、大模型生成的历史消息、中间计算的临时结果、错误状态等。

2. State 的更新机制（Reducers / 归约器）

这是 LangGraph 中最重要的一点。当一个节点执行完毕后，它会返回一个字典。这个返回的字典并不会直接替换掉原来的 State，而是“合并（Merge）”到现有的 State 中。

LangGraph 允许你为 State 中的每个字段定义更新策略（Reducer）：

  • 默认覆盖（Overwrite）： 如果你不做特殊说明，节点返回的新值会直接覆盖旧值。
  • 追加（Append / Add）： 对于聊天记录（Messages）等数据，你通常希望是把新消息加到列表末尾，而不是覆盖它。这时你需要使用 Annotated 和特定的操作符（如 operator.add）。

3. 代码示例

为了让你更直观地理解，请看下面这个经典的 State 定义示例：

python 
from typing import TypedDict, Annotated, List
import operator
from langchain_core.messages import BaseMessage

# 1. 定义 State 的结构
class AgentState(TypedDict):
    # 使用 Annotated 和 operator.add，表示当有新数据时，追加到列表中
    messages: Annotated[List[BaseMessage], operator.add]
    
    # 没有 Annotated，默认行为：当有新数据时，直接覆盖旧值
    current_status: str

在图中的运行逻辑：
假设当前 AgentState 里的数据是：
{"messages": ["你好"], "current_status": "idle"}

现在，一个节点运行完毕，返回了这样的更新：
{"messages": ["你好呀，我是AI"], "current_status": "processing"}

LangGraph 会根据规则更新 State，更新后的 State 会变成：
{"messages": ["你好", "你好呀，我是AI"], "current_status": "processing"}
(注意：messages 被追加了，而 current_status 被覆盖了)

4. 为什么需要 State？

  • 解决大模型无记忆的问题： LLM 本身是无状态的，通过 State，我们可以把对话历史和中间思考过程记录下来，每次调用大模型时把 State 里的内容传给它。
  • 支持多 Agent 协作： 多个 Agent（节点）可以通过向同一个 State 读写数据来实现沟通和协作。
  • 支持记忆持久化与“人在回路”（Human-in-the-loop）： 因为 State 是一个结构化的数据对象，LangGraph 可以将其保存到数据库（通过 Checkpointer）。这意味着你可以在图运行到一半时暂停（比如等待用户确认），未来再从数据库提取 State 并继续运行。

总结：
在 LangGraph 中，State 是定义应用数据的结构，是连接各个节点的桥梁，也是 Agent 思考和执行任务时依赖的“记忆库”。 所有的节点逻辑都是围绕“读取 State -> 处理 -> 返回更新后的 State”这一核心循环展开的。

00:00
00:00