原文出处：Hugging Face Agents Course · units/zh-CN/unit2/langgraph/building_blocks.mdx 原作者：Hugging Face · 许可证：Apache-2.0 License 本篇为课程官方中文译文（Hugging Face 社区翻译），诸葛AI学院仅做格式整理（去除图片与交互组件），版权归原作者所有。

LangGraph 的核心构建模块

要使用 LangGraph 构建应用程序，需要理解其核心组件。让我们探索构成 LangGraph 应用程序的基础构建模块。

LangGraph 应用程序从 entrypoint 开始，根据执行情况，流程可能流向不同的函数直到抵达 END。

1. 状态（State）

State 是 LangGraph 中的核心概念，表示流经应用程序的所有信息。

```python from typing_extensions import TypedDict

class State(TypedDict): graph_state: str ```

状态是 用户自定义 的，因此需要仔细设计字段以包含决策过程所需的所有数据！

💡 提示: 仔细考虑应用程序需要在步骤之间跟踪哪些信息。

2. 节点（Nodes）

Nodes 是 Python 函数。每个节点： - 接收状态作为输入 - 执行某些操作 - 返回状态更新

```python def node_1(state): print("---Node 1---") return {"graph_state": state['graph_state'] +" I am"}

def node_2(state): print("---Node 2---") return {"graph_state": state['graph_state'] +" happy!"}

def node_3(state): print("---Node 3---") return {"graph_state": state['graph_state'] +" sad!"} ```

举例, 节点可以包含： - LLM 调用: 生成文本或做出决策 - 工具调用: 与外部系统交互 - 条件逻辑: 决定后续步骤 - 人工干预: 获取用户输入

💡 信息: 像 START 和 END 这样的必要节点已直接包含在 LangGraph 中。

3. 边（Edges）

Edges 连接节点并定义图中的可能路径：

```python import random from typing import Literal

def decide_mood(state) -> Literal["node_2", "node_3"]:

# 通常我们会根据状态决定下一个节点
user_input = state['graph_state']

# 这里我们在节点2和节点3之间简单实现 50/50 的概率分配
if random.random() < 0.5:

    # 50% 时间， 我们返回节点2
    return "node_2"

# 50% 时间， 我们返回节点3
return "node_3"

```

边可以是： - 直接边: 始终从节点 A 到节点 B - 条件边: 根据当前状态选择下一个节点

4. 状态图（StateGraph）

StateGraph 是包含整个 agent 工作流的容器：

```python from IPython.display import Image, display from langgraph.graph import StateGraph, START, END

构建图表

builder = StateGraph(State) builder.add_node("node_1", node_1) builder.add_node("node_2", node_2) builder.add_node("node_3", node_3)

连接逻辑

builder.add_edge(START, "node_1") builder.add_conditional_edges("node_1", decide_mood) builder.add_edge("node_2", END) builder.add_edge("node_3", END)

编译

graph = builder.compile() ```

可以可视化图表： ```python

可视化

display(Image(graph.get_graph().draw_mermaid_png())) ```

最重要的是可以调用： python graph.invoke({"graph_state" : "Hi, this is Lance."}) output : ---Node 1--- ---Node 3--- {'graph_state': 'Hi, this is Lance. I am sad!'}

下一步？

下一节我们将通过构建第一个图表来实践这些概念。该图表将让 Alfred 能够处理电子邮件，进行分类，并在邮件真实时起草初步回复。