LangGraph 状态机式编排

一句话定位：LangGraph 把 Agent 的执行流程从”线性 Chain”升级为”带状态的图（Graph）”，天然支持条件分支、循环和检查点，适合线性 Chain 处理不了的复杂可控流程。

1. 为什么 Chain 不够用

• LangChain 的 Chain 本质是一条固定顺序的流水线：A → B → C，很难表达”如果 A 的结果满足条件 X 就走 B，否则走 D，并且可能要循环回到 A 重试”这类复杂控制流。
• Agent 的真实执行往往需要循环（反复调用工具直到任务完成）、分支（根据中间结果选择不同后续动作）、以及在关键节点暂停等待人工确认——这些都是”图”更自然的表达方式，而不是”链”。

2. LangGraph 核心概念

• 节点（Node）：图中的每个处理单元（可以是一次 LLM 调用、一次工具执行、一次条件判断）。
• 边（Edge）：节点间的转移关系，可以是固定的（无条件转移）也可以是条件的（根据上一步状态动态决定下一个节点）。
• 状态（State）：贯穿整个图执行过程、可被各节点读写的共享数据结构，取代了 Chain 里”只能顺序传递”的局限。
• 检查点（Checkpoint）：可以在图执行到某个节点时持久化当前状态，支持中断后恢复、支持人工审核后继续（对应 7.7 的 Human-in-the-loop）。

3. 类比大数据的 DAG 编排

• LangGraph 的图结构和大数据任务调度的 DAG 编排（1.9）高度同构：节点 ≈ 算子，边 ≈ 依赖关系，状态 ≈ 算子间传递的数据，检查点 ≈ Checkpoint/Savepoint 机制（1.4 Flink 的 Checkpoint）。
• 区别在于：大数据 DAG 通常是静态的（编译期确定），LangGraph 的边可以是运行时动态决定的（根据 LLM 输出内容选择走哪条边），更接近”动态 DAG”或状态机。

4. 面试落点

• 能讲清”什么场景该用 LangGraph 而不是简单 Chain”：需要循环、条件分支、或需要人工介入检查点的复杂 Agent 流程。
• 可迁移话术：直接把大数据 DAG 编排经验类比过来——“我在大数据平台做过的任务依赖编排、失败重试、Checkpoint 恢复，本质上和 LangGraph 的状态机编排是同一套设计哲学，只是执行的节点从数据处理算子换成了 LLM 调用/工具调用”。

参考：LangGraph 官方文档