LangGraph 是什么
一个低级编排框架和运行时，用于构建长时间运行的、有状态的智能体
说白了，LangGraph 帮你把一个复杂的 AI 任务拆成一个个节点（函数），用边（条件分支）连起来，再给它们一个共享的状态笔记本。整个执行过程可追踪、可暂停、可恢复。已被 Klarna、Uber、J.P. Morgan 等公司投入生产使用。
思考题：你想让 AI 自动生成一个笑话：先随机选一个话题，再根据这个话题写笑话。这两个步骤有先后顺序，怎么用代码表达？
// 安装依赖
$ npm install @langchain/langgraph @langchain/core
// Hello World —— 最简 StateGraph
import { StateSchema, MessagesValue, GraphNode, StateGraph, START, END } from "@langchain/langgraph";
const State = new StateSchema({
messages: MessagesValue,
});
// 定义一个节点：接收状态，返回更新
const mockLlm: GraphNode<typeof State> = (state) => {
return { messages: [{ role: "ai", content: "hello world" }] };
};
// 构建图：起点 → 节点 → 终点
const graph = new StateGraph(State)
.addNode("mock_llm", mockLlm)
.addEdge(START, "mock_llm")
.addEdge("mock_llm", END)
.compile();
// 运行
const result = await graph.invoke({
messages: [{ role: "user", content: "hi!" }]
});
// result.messages 最后一条: { role: "ai", content: "hello world" }
如果看到报错：
ERR_MODULE_NOT_FOUND→ 先安装依赖：$ npm install @langchain/langgraph @langchain/coreTypeError: StateSchema is not a constructor→ 检查是否使用 ESM（"type": "module"inpackage.json）或用.mjs后缀
三个关键字：
StateSchema（定义共享状态）、addNode（添加节点函数）、addEdge（连线）。这就是 LangGraph 的最小知识集。
五个步骤
用 LangGraph 构建智能体的通用方法论
1. 拆步骤
把工作流映射为离散节点
2. 分类型
LLM / 数据 / 操作 / 用户
3. 设计状态
定义共享 State 对象
4. 写节点
实现为函数 + 错误处理
5. 连线
边 + 条件边 + Command
这五步是通用的：不管你做邮件处理、代码审查还是客服机器人，流程都一样。后面的章节会反复用到这个方法论。
第一步：拆步骤
把工作流映射为离散步骤——每个节点只做一件事
假设你要构建一个邮件处理智能体，需求如下：
智能体应该：
- 阅读收到的客户邮件
- 按紧急程度和主题进行分类
- 搜索相关文档以回答问题
- 起草适当的回复
- 将复杂问题升级给人工处理拆成节点之后，每个节点就是一个只做一件事的函数：
| 节点 | 职责 | 下一步 |
|---|---|---|
Read Email | 提取并解析邮件内容 | → Classify Intent（固定） |
Classify Intent | 用 LLM 分类紧急程度和主题 | → 视情况路由（条件） |
Doc Search | 在知识库查询相关信息 | → Draft Reply（固定） |
Bug Track | 在跟踪系统中创建或更新 Bug | → Draft Reply（固定） |
Draft Reply | 生成适当的回复 | → 视情况路由（条件） |
Human Review | 升级给人工审批或处理 | → 视情况路由（条件） |
Send Reply | 发送邮件回复 | → END |
常见误区：不要一个节点做太多事。"分类 + 搜索 + 起草"塞进一个函数，看起来省事，但后面加条件分支、错误处理、人工审核时会很痛苦。每个节点只做一件事。