AI Agents · 课时

图为何胜过扁平链

真实的智能体需要循环、重试和条件分支——DAG 与图能够表达链无法表达的逻辑。

图为何胜过扁平链 是 CoddyKit 上的免费 AI Agents 课时。这是第 1 节课，共 4 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 AI Agents 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 AI Agents 课程共包含 4 节课。

本课时的部分内容尚未翻译，以英文显示。

链的局限

LCEL 链非常适合线性流程：A -> B -> C。但在以下情况下会遇到困难：

循环（直到成功才重试）
条件分支（根据状态决定执行 A 还是 B）
人在回路中的暂停
跨调用持久化状态

真正的代理是图

代理会逐步做出决策。一个真正的代理可能会：

制定计划
搜索信息
如果找到信息则起草答案；否则再次搜索
验证
如果无效则修改；否则返回

这是一张图，而不是一条线。

介绍 LangGraph

LangGraph（由 LangChain 团队开发）允许您将代理定义为图：

节点 — 读取并更新状态的函数
边 — 下一个运行的节点
状态 — 共享且持久化的字典

Nodes Are Just Functions

from langgraph.graph import StateGraph

class AgentState(TypedDict):
    messages: list
    plan: str
    answer: str

def plan_step(state: AgentState) -> AgentState:
    plan = generate_plan(state['messages'])
    return {'plan': plan}

Edges Connect Nodes

from langgraph.graph import StateGraph, END

graph = StateGraph(AgentState)
graph.add_node('plan', plan_step)
graph.add_node('search', search_step)
graph.add_node('answer', answer_step)

graph.set_entry_point('plan')
graph.add_edge('plan', 'search')
graph.add_edge('search', 'answer')
graph.add_edge('answer', END)

app = graph.compile()

Running the Graph

result = app.invoke({'messages': [{'role': 'user', 'content': 'What is RAG?'}]})
print(result['answer'])

状态更新会合并

当节点返回一个部分字典时，LangGraph 会将其合并到状态中。您不必在每一步都写出完整状态。

条件分支

使用 add_conditional_edges 根据状态进行路由：

def needs_more_info(state):
    if state['confidence'] < 0.7:
        return 'search'
    return 'answer'

graph.add_conditional_edges('plan', needs_more_info, {
    'search': 'search',
    'answer': 'answer'
})

Loops Are Just Edges Back

graph.add_edge('search', 'plan')   # loop back to planner
# The planner decides if more search is needed.

可视化

LangGraph 会生成图的 Mermaid 图表 — 非常适合调试结构：

from IPython.display import Image
Image(app.get_graph().draw_mermaid_png())

与手写的 while 循环相比

您可以使用 Python while 循环实现这一点。LangGraph 还提供：

明确的图结构（可视化）
内置检查点功能
状态更新的流式传输
人在回路中的基本组件

LangGraph + LCEL

节点可以是任意可调用对象，包括 LCEL 链。您可以灵活组合：

summarise_chain = prompt | model | parser

def summarise_node(state):
    return {'summary': summarise_chain.invoke(state['text'])}

何时使用图

与扁平的 LCEL 链相比，哪种场景最能从 LangGraph 中受益？

回顾

当您需要循环、分支、持久化或人在回路中时，图优于链。LangGraph 为您提供所需的结构。

常见问题解答

「图为何胜过扁平链」课时是免费的吗？

是的 — 「图为何胜过扁平链」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 AI Agents 课程的其余内容，请升级到 CoddyKit PRO。 AI Agents 课程共包含 4 节课。

「图为何胜过扁平链」这节课中我会学到什么？

真实的智能体需要循环、重试和条件分支——DAG 与图能够表达链无法表达的逻辑。你通过在浏览器中直接运行的动手代码来练习 AI Agents，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 AI Agents 需要有经验吗？

无需任何先前经验。CoddyKit 上的 AI Agents 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。这是第 1 节课，共 4 节。

「图为何胜过扁平链」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 AI Agents 课中编写并运行代码吗？

能。每节 AI Agents 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

← 返回 AI Agents