LangGraph 工作流入门：从写故事 Demo 理解 Node、State 与 Edge

大语言模型可以生成内容，但一个真正可用的 AI 应用，往往不只是“调用一次模型”。在实际业务中，我们更常需要的是：让模型先执行任务，再检查结果，如果不合格就修正，直到通过或达到停止条件。

LangGraph 正是为这类可控 AI 工作流设计的框架。它把一次 AI 任务拆成多个节点，用共享状态记录过程，再用边来决定流程如何流转。

生成writer_node 调用本地模型写故事。

审核reviewer_node 检查故事质量。

判断should_continue 读取 State。

重试不通过就带反馈再次生成。

结束通过或达到最大次数后停止。

项目结构不复杂，但分工很清楚

langgraph_story_demo/
├── main.py
├── state.py
├── nodes.py
├── router.py
└── graph.py

state.py定义工作流共享状态 StoryState。

nodes.py定义 writer_node 和 reviewer_node。

router.py定义 should_continue，判断结束还是重试。

graph.py使用 StateGraph 组装完整流程。

main.py初始化状态、运行 graph、打印每一步和最终结果。

整体设计状态、节点、路由、图构建、入口运行各自独立。

LangGraph 的基本原理：带记忆的流程图执行器

LangGraph 并不是简单地把几个函数顺序执行一遍。它真正提供的是“状态驱动的流程控制”。

[ Start / 输入 ]
       │
       ▼
┌──────────────┐
│  State (状态) │ <─── 状态更新（story / attempts / review / approved）
└──────────────┘
       │
       ▼
 [ writer_node ] ── 调用本地模型生成故事
       │
       ▼
 [ reviewer_node ] ── 审核故事质量，并把 review / approved 写回 State
       │
       ▼
 < 条件判断边 should_continue >
       │
       ├───────(审核不通过，且 attempts < MAX_ATTEMPTS)───────┐
       │                                                       │
       │                                                       ▼
       │                                                回到 writer_node
       │
       └───────(审核通过 / 达到最大次数)──────────────────────┐
                                                               │
                                                               ▼
                                                     [ End / 输出最终结果 ]

State 是共享记忆：它让流程能自我修正

`State` 是整个 graph 在运行过程中的共享记忆。本案例中，`StoryState` 保存故事内容、尝试次数、审核意见和是否通过。

class StoryState(TypedDict):
    story: str
    attempts: int
    review: str
    approved: bool

字段	含义
`story`	当前生成出来的故事内容。
`attempts`	已经尝试生成的次数。
`review`	审核节点给出的审核意见。
`approved`	故事是否通过审核。

如果没有 State，节点之间就很难共享上下文。第一次故事太短时，审核意见可以被保存下来；第二次生成时，writer_node 就能把这条反馈加入 prompt。

Node 是动作：每个节点只做好一步

`Node` 是 LangGraph 中真正干活的单元。一个 Node 通常就是一个 Python 函数，模式很统一：读取当前 State，执行当前任务，返回需要更新的 State 字段。

writer_node调用本地 Ollama 模型生成故事，更新 story 和 attempts。

reviewer_node读取故事内容，用 Python 规则检查故事是否合格。

设计原则能用确定性代码解决的，不必全部交给大模型。

Edge 是控制流：决定下一步去哪里

`Edge` 是节点之间的连接关系。普通边表示固定顺序，条件边则根据当前 State 动态选择下一步。

普通边

graph.add_edge(START, "writer")
graph.add_edge("writer", "reviewer")

条件边

graph.add_conditional_edges(
    "reviewer",
    should_continue,
    {
        "writer": "writer",
        "end": END,
    },
)

一次真实运行：系统自己检查、判断、重试

本案例的一次真实运行中，模型一共被调用了两次。第一次故事太短且缺少明确情节，审核失败；第二次带着审核意见重新生成，最终通过。

第 1 次调用

Prompt 长度：134 字符输出故事长度：76 字符审核结果：失败失败原因：故事太短，且缺少更明确的情节或品质关键词。

第 2 次调用

Prompt 长度：174 字符输出故事长度：127 字符审核结果：通过。

第一次生成不合格
-> reviewer_node 写入审核意见
-> State 保存失败原因
-> Edge 判断需要重试
-> writer_node 根据反馈再次生成
-> 第二次通过审核
-> 流程结束

LangChain 与 LangGraph：组件工具箱 vs 流程控制器

LangChain 更像 LLM 组件工具箱。
LangGraph 更像 AI 工作流流程控制器。

LangChain 常用于连接 Prompt、Model、Parser、Tool、Retriever、Chain 等组件；而 LangGraph 更关注状态管理、多节点流程、条件分支、循环重试、人工审核、任务编排和可控 Agent 工作流。

在本案例中，LangChain / langchain-ollama 负责调用本地模型；LangGraph 负责组织 writer -> reviewer -> 判断 -> 重试或结束。

把写故事案例抽象成通用 Agent 模式

生成
-> 评估
-> 判断
-> 修正
-> 终止

场景	writer_node	reviewer_node
写邮件	生成邮件草稿	检查语气、长度、收件人信息
写报告	生成报告内容	检查结构、数据和结论
写代码	生成代码	运行测试、检查 lint
客服回复	生成回复	检查是否符合政策和事实
文档总结	生成摘要	检查是否覆盖关键点

学习 LangGraph 时最该抓住的三句话

State 是记忆保存输入、输出、中间结果、审核意见和控制变量。

Node 是动作执行明确步骤，比如生成、审核、检索、调用工具或写入文件。

Edge 是控制流决定下一步去哪里，是继续、分支、循环，还是结束。

用 State 保存上下文，
用 Node 执行任务，
用 Edge 控制流程。

AI 应用可以拥有分支、循环、审核、重试和终止条件

这也是 LangGraph 比“一次性模型调用”更接近真实应用的地方。一个 AI 应用不一定只能从输入走到输出，它可以像普通软件流程一样，根据状态做判断，根据结果走不同路径。

分支如果用户意图是写故事，就进入 writer；如果是修改故事，就进入 editor；如果只是查询状态，就直接返回当前 State。

循环reviewer 发现故事太短时，不结束流程，而是把审核意见写入 State，再回到 writer 重新生成。

审核长度、关键词、格式可以用 Python 规则检查；更复杂的风格、事实或安全判断，也可以交给另一个 reviewer 节点。

重试失败并不等于流程失败。系统可以带着 review 反馈再次尝试，让下一轮生成更接近目标。

终止条件当 approved=True 时结束；当 attempts >= MAX_ATTEMPTS 时也结束，避免无限循环。

业务边界例如合同审核、代码生成、客服回复都需要明确的“通过、退回、重试、停止”规则。

if approved:
    goto END
elif attempts >= MAX_ATTEMPTS:
    goto END
else:
    goto writer_node

十一、总结

LangGraph_story_demo 用一个很小的故事生成案例，展示了 LangGraph 最核心的工作方式：生成内容、记录状态、审核结果、根据条件分支、失败后带反馈重试、成功后及时结束、达到上限后停止。

LangGraph 的价值，不只是把节点连起来，而是让 AI 应用拥有状态、判断、循环和边界。

普通 LLM 调用：让模型回答一次。
LangGraph 工作流：让模型在一个可控流程中完成任务。

LangGraph 工作流入门：从写故事 Demo 理解 AI 如何“办事”