关于Langgraph中的State状态的深入研究 原创

“ 引言部分，总领全篇文章的中心内容。”

在Langgraph中的三个核心组件中，State是用来传递数据的；在使用Langgraph构建智能体时，不论是简单还是复杂，归根结底都是通过节点(nodes)和边(edges)来构建一个完整的图(graph)。

但 LangGraph 的核心从来不在于如何去界定节点与边，而是在于如何高效地管控各个节点的输入和输出，以确保图能够持续稳定地运行。

LangGraph 的底层图算法依托消息传递机制来定义和执行图中的交互流程，在这一过程中，状态（State）组件担当着关键的载体角色，主要负责在图的各个节点之间传递信息，像核心功能中的工具使用、记忆能力以及人机交互等，都得依仗 ​​State​​ 来达成并加以维护。

State-状态

Langgraph的本质就是一个状态图，而状态图的体现就在于State状态，State本质上是一个数据结构，其贯穿了Langgraph的整个生命周期。

定义图时，首先要定义图的状态​​State​​​。​​State​​ 是贯穿 LangGraph 整个工作流的核心数据结构，用于存储和传递任务执行过程中的关键信息，它反映了应用在某一时刻的完整快照，例如用户输入、中间结果、工具调用日志等。

​​State​​​的本质是一个共享的数据结构，它由图的模式（schema）和 ​​​reducer​​​ 函数组成。节点执行的每一次完成都会带动其内容的更新，以此来实现数据在不同节点间的流通与共享，从而消除节点间的数据孤岛问题，确保在多智能体协作时，信息的一致性和连续性能得到可靠的保障。

模式 ：状态的模式是图中所有节点和边的输入模式，可以是Python字典​​dict​​​或强类型对象（如​​TypedDict​​​、​​Pydantic​​模型）。它规定了状态的数据结构和类型，为状态的使用和管理提供了规范。

Reducer 函数 ：Reducer 函数用于指定如何将节点的输出合并到全局状态，从而实现对状态的修改。它通过特定逻辑控制状态更新的方式，解决了多节点协作时状态冲突和累积问题。每个状态字段（如messages、plan等）可独立配置Reducer，实现细粒度控制。例如：

覆盖更新：默认行为，直接替换原有值

追加更新：将新值合并到列表末尾

条件更新：根据业务规则选择性合并

​​State​​​ 更新时会先读取当前的 ​​State​​​，经过相应的处理之后，仅仅是返回增量更新，也就是仅仅对部分字段进行修改，并不会对整个 ​​State​​​ 进行覆盖。LangGraph自动将节点返回的字典浅合并到全局​​State​​中，避免手动处理字段冲突

在每一步执行完毕之后，​​State​​ 都会自动进行保存，这样一来，在面对需要暂停、恢复、回滚（例如在错误恢复或是人工干预的情况下）等操作时，系统能够有着更为出色的应对能力，大大增强了整个工作流的灵活性和可靠性。

图的执行流程

在​​LangGraph​​框架中，图的执行流程如下：

1. 每个节点的函数会被调用，并接收前一个节点返回的状态作为输入。
2. 节点函数对状态进行处理后，输出一个新的状态，传递给下一个节点。

在 LangGraph 框架中，每个节点都被赋予了对状态（State）的访问、读取和写入权限。当节点对状态进行修改时，这些变化会随着图的执行流程自然地传播到后续节点，从而实现一种隐式的“广播”效果。这种设计允许后续节点根据前序节点的状态变更，动态调整自身行为。

本文转载自​​​​​​​AI探索时代​​​​​​​ 作者：DFires