图 API 概览 - Docs by LangChain

图

LangGraph 的核心是将智能体工作流建模为图。您使用三个关键组件来定义智能体的行为：

State：一个共享数据结构，表示应用程序的当前快照。它可以是任何数据类型，但通常使用共享状态模式来定义。
Nodes：编码智能体逻辑的函数。它们接收当前状态作为输入，执行某些计算或副作用，并返回更新后的状态。
Edges：根据当前状态确定接下来执行哪个 Node 的函数。它们可以是条件分支或固定转换。

通过组合 Nodes 和 Edges，您可以创建复杂的、循环的工作流，这些工作流会随时间推移而演变状态。然而，真正的威力来自于 LangGraph 如何管理该状态。需要强调的是：Nodes 和 Edges 不过是函数——它们可以包含一个 LLM，或者只是普通的代码。简而言之：节点执行工作，边决定下一步做什么。 LangGraph 底层的图算法使用消息传递来定义一个通用程序。当一个节点完成其操作时，它会沿着一条或多条边向其他节点发送消息。这些接收节点随后执行它们的函数，将结果消息传递给下一组节点，过程继续进行。受 Google 的 Pregel 系统启发，该程序以离散的“超级步骤”进行。一个超级步骤可以被视为对图节点的一次迭代。并行运行的节点属于同一个超级步骤，而顺序运行的节点属于不同的超级步骤。在图执行开始时，所有节点都处于 inactive 状态。当节点在其任何传入边（或“通道”）上接收到新消息（状态）时，它会变为 active 状态。活动节点随后运行其函数并以更新进行响应。在每个超级步骤结束时，没有传入消息的节点通过将自己标记为 inactive 来投票 halt。当所有节点都处于 inactive 状态且没有消息在传输中时，图执行终止。

StateGraph

StateGraph 类是要使用的主要图类。它由用户定义的 State 对象参数化。

编译您的图

要构建您的图，您首先定义状态，然后添加节点和边，然后编译它。编译图到底是什么，为什么需要它？编译是一个相当简单的步骤。它对图的结构进行一些基本检查（例如没有孤立节点等）。它也是您可以指定运行时参数（如检查点器和断点）的地方。您只需调用 .compile 方法即可编译图：

graph = graph_builder.compile(...)

您必须在使用前编译您的图。

State

定义图时，首先要定义图的 State。State 包含图的模式以及指定如何将更新应用于状态的 reducer 函数。State 的模式将是图中所有 Nodes 和 Edges 的输入模式，可以是 TypedDict 或 Pydantic 模型。所有 Nodes 都会向 State 发出更新，然后使用指定的 reducer 函数应用这些更新。

Schema

指定图模式的主要文档化方式是使用 TypedDict。如果您想在状态中提供默认值，请使用 dataclass。如果您需要递归数据验证，我们也支持使用 Pydantic BaseModel 作为图状态（但请注意，Pydantic 的性能不如 TypedDict 或 dataclass）。默认情况下，图将具有相同的输入和输出模式。如果您想更改此设置，也可以直接指定显式的输入和输出模式。当您有很多键，其中一些明确用于输入，另一些用于输出时，这很有用。更多信息请参见指南。

langchain 中的高级 create_agent 工厂不支持 Pydantic 状态模式。

多种模式

通常，所有图节点都与单一模式通信。这意味着它们将读写相同的状态通道。但是，在某些情况下，我们希望对此有更多控制：

内部节点可以传递图输入/输出中不需要的信息。
我们可能还想为图使用不同的输入/输出模式。例如，输出可能只包含一个相关的输出键。

可以让节点写入图内的私有状态通道，用于内部节点通信。我们可以简单地定义一个私有模式 PrivateState。也可以为图定义显式的输入和输出模式。在这些情况下，我们定义一个“内部”模式，其中包含与图操作相关的所有键。但是，我们还定义 input 和 output 模式，它们是“内部”模式的子集，以约束图的输入和输出。更多详情请参见定义输入和输出模式。让我们看一个例子：

class InputState(TypedDict):
    user_input: str

class OutputState(TypedDict):
    graph_output: str

class OverallState(TypedDict):
    foo: str
    user_input: str
    graph_output: str

class PrivateState(TypedDict):
    bar: str

def node_1(state: InputState) -> OverallState:
    # 写入 OverallState
    return {"foo": state["user_input"] + " name"}

def node_2(state: OverallState) -> PrivateState:
    # 从 OverallState 读取，写入 PrivateState
    return {"bar": state["foo"] + " is"}

def node_3(state: PrivateState) -> OutputState:
    # 从 PrivateState 读取，写入 OutputState
    return {"graph_output": state["bar"] + " Lance"}

builder = StateGraph(OverallState,input_schema=InputState,output_schema=OutputState)
builder.add_node("node_1", node_1)
builder.add_node("node_2", node_2)
builder.add_node("node_3", node_3)
builder.add_edge(START, "node_1")
builder.add_edge("node_1", "node_2")
builder.add_edge("node_2", "node_3")
builder.add_edge("node_3", END)

graph = builder.compile()
graph.invoke({"user_input":"My"})
# {'graph_output': 'My name is Lance'}

这里有两点微妙而重要：

我们将 state: InputState 作为输入模式传递给 node_1。但是，我们写入 foo，这是 OverallState 中的一个通道。我们如何能写入未包含在输入模式中的状态通道？这是因为节点可以写入图状态中的任何状态通道。 图状态是初始化时定义的状态通道的并集，包括 OverallState 和过滤器 InputState 和 OutputState。
我们使用以下方式初始化图：
```
StateGraph(
    OverallState,
    input_schema=InputState,
    output_schema=OutputState
)
```
我们如何在 node_2 中写入 PrivateState？如果该模式未在 StateGraph 初始化中传递，图如何获得对该模式的访问权限？我们可以这样做，因为 _nodes 也可以声明额外的状态 通道_，只要状态模式定义存在即可。在这种情况下，PrivateState 模式已定义，因此我们可以将 bar 作为新的状态通道添加到图中并写入它。

Reducers

Reducers 是理解如何将节点的更新应用于 State 的关键。State 中的每个键都有自己的独立 reducer 函数。如果没有明确指定 reducer 函数，则假定对该键的所有更新都应覆盖它。有几种不同类型的 reducer，从默认类型的 reducer 开始：

默认 reducer

这两个示例展示了如何使用默认 reducer：

Example A

from typing_extensions import TypedDict

class State(TypedDict):
    foo: int
    bar: list[str]

在此示例中，没有为任何键指定 reducer 函数。假设图的输入是： {"foo": 1, "bar": ["hi"]}。然后假设第一个 Node 返回 {"foo": 2}。这被视为对状态的更新。请注意，Node 不需要返回整个 State 模式——只需返回更新。应用此更新后，State 将变为 {"foo": 2, "bar": ["hi"]}。如果第二个节点返回 {"bar": ["bye"]}，那么 State 将变为 {"foo": 2, "bar": ["bye"]}。

Example B

from typing import Annotated
from typing_extensions import TypedDict
from operator import add

class State(TypedDict):
    foo: int
    bar: Annotated[list[str], add]

在此示例中，我们使用 Annotated 类型为第二个键 (bar) 指定了一个 reducer 函数 (operator.add)。请注意，第一个键保持不变。假设图的输入是 {"foo": 1, "bar": ["hi"]}。然后假设第一个 Node 返回 {"foo": 2}。这被视为对状态的更新。请注意，Node 不需要返回整个 State 模式——只需返回更新。应用此更新后，State 将变为 {"foo": 2, "bar": ["hi"]}。如果第二个节点返回 {"bar": ["bye"]}，那么 State 将变为 {"foo": 2, "bar": ["hi", "bye"]}。请注意，这里 bar 键通过将两个列表相加来更新。

覆盖

在某些情况下，您可能希望绕过 reducer 并直接覆盖状态值。LangGraph 提供了 Overwrite 类型来实现此目的。了解如何使用 Overwrite 请参见此处。

在图状态中处理消息

为什么使用消息？

大多数现代 LLM 提供商都有一个聊天模型接口，该接口接受消息列表作为输入。特别是 LangChain 的聊天模型接口接受消息对象列表作为输入。这些消息有多种形式，例如 HumanMessage（用户输入）或 AIMessage（LLM 响应）。要了解更多关于消息对象的信息，请参阅消息概念指南。

在图中使用消息

在许多情况下，将先前的对话历史记录存储为图状态中的消息列表会很有帮助。为此，我们可以向图状态添加一个键（通道），该键存储 Message 对象列表，并使用 reducer 函数对其进行注解（请参见下面示例中的 messages 键）。reducer 函数对于告诉图如何在每次状态更新时更新状态中的 Message 对象列表至关重要（例如，当节点发送更新时）。如果您不指定 reducer，每次状态更新都会用最近提供的值覆盖消息列表。如果您只想将消息追加到现有列表，可以使用 operator.add 作为 reducer。但是，您可能还想手动更新图状态中的消息（例如，Human in the Loop）。如果您使用 operator.add，您发送给图的手动状态更新将被追加到现有消息列表中，而不是更新现有消息。为避免这种情况，您需要一个可以跟踪消息 ID 并在更新时覆盖现有消息的 reducer。为此，您可以使用预构建的 add_messages 函数。对于全新的消息，它将简单地追加到现有列表，但它也会正确处理现有消息的更新。

序列化

除了跟踪消息 ID 外，add_messages 函数还会在收到 messages 通道上的状态更新时，尝试将消息反序列化为 LangChain Message 对象。更多信息，请参阅 LangChain 序列化/反序列化。这允许以以下格式发送图输入/状态更新：

# 这是支持的
{"messages": [HumanMessage(content="message")]}

# 这也是支持的
{"messages": [{"type": "human", "content": "message"}]}

由于使用 add_messages 时状态更新总是被反序列化为 LangChain Messages，您应该使用点表示法来访问消息属性，例如 state["messages"][-1].content。下面是一个使用 add_messages 作为其 reducer 函数的图示例。

from langchain.messages import AnyMessage
from langgraph.graph.message import add_messages
from typing import Annotated
from typing_extensions import TypedDict

class GraphState(TypedDict):
    messages: Annotated[list[AnyMessage], add_messages]

MessagesState

由于在状态中拥有消息列表非常常见，因此存在一个名为 MessagesState 的预构建状态，它使得使用消息变得容易。MessagesState 定义了一个 messages 键，该键是 AnyMessage 对象的列表，并使用 add_messages reducer。通常，需要跟踪的状态不止消息，因此我们看到人们继承此状态并添加更多字段，例如：

from langgraph.graph import MessagesState

class State(MessagesState):
    documents: list[str]

Nodes

在 LangGraph 中，节点是 Python 函数（同步或异步），接受以下参数：

state—图的状态
config—一个 RunnableConfig 对象，包含配置信息（如 thread_id）和跟踪信息（如 tags）
runtime—一个 Runtime 对象，包含运行时 context 和其他信息，如 store、stream_writer、execution_info、server_info、heartbeat（用于空闲超时刷新）和 control（用于优雅关闭）

类似于 NetworkX，您可以使用 add_node 方法将这些节点添加到图中：

from dataclasses import dataclass
from typing_extensions import TypedDict

from langgraph.graph import StateGraph
from langgraph.runtime import Runtime

class State(TypedDict):
    input: str
    results: str

@dataclass
class Context:
    user_id: str

builder = StateGraph(State)

def plain_node(state: State):
    return state

def node_with_runtime(state: State, runtime: Runtime[Context]):
    print("In node: ", runtime.context.user_id)
    return {"results": f"Hello, {state['input']}!"}

def node_with_execution_info(state: State, runtime: Runtime):
    print("In node with thread_id: ", runtime.execution_info.thread_id)
    return {"results": f"Hello, {state['input']}!"}


builder.add_node("plain_node", plain_node)
builder.add_node("node_with_runtime", node_with_runtime)
builder.add_node("node_with_execution_info", node_with_execution_info)
...

在幕后，函数被转换为 RunnableLambda，它为您的函数添加了批处理和异步支持，以及原生跟踪和调试。如果您在不指定名称的情况下将节点添加到图中，它将被赋予一个默认名称，等同于函数名。

builder.add_node(my_node)
# 然后您可以通过引用 `"my_node"` 来创建指向/来自此节点的边

`START` 节点

START 节点是一个特殊节点，表示将用户输入发送到图的节点。引用此节点的主要目的是确定应首先调用哪些节点。

from langgraph.graph import START

graph.add_edge(START, "node_a")

`END` 节点

END 节点是一个特殊节点，表示终端节点。当您想表示哪些边在完成后没有操作时，会引用此节点。

from langgraph.graph import END

graph.add_edge("node_a", END)

节点缓存

LangGraph 支持基于节点输入的任务/节点缓存。要使用缓存：

在编译图时（或指定入口点时）指定缓存
为节点指定缓存策略。每个缓存策略支持：
- key_func 用于根据节点输入生成缓存键，默认使用 pickle 对输入进行 hash。
- ttl，缓存的生存时间（以秒为单位）。如果未指定，缓存将永不过期。

例如：

import time
from typing_extensions import TypedDict
from langgraph.graph import StateGraph
from langgraph.cache.memory import InMemoryCache
from langgraph.types import CachePolicy


class State(TypedDict):
    x: int
    result: int


builder = StateGraph(State)


def expensive_node(state: State) -> dict[str, int]:
    # 昂贵的计算
    time.sleep(2)
    return {"result": state["x"] * 2}


builder.add_node("expensive_node", expensive_node, cache_policy=CachePolicy(ttl=3))
builder.set_entry_point("expensive_node")
builder.set_finish_point("expensive_node")

graph = builder.compile(cache=InMemoryCache())

print(graph.invoke({"x": 5}, stream_mode='updates'))
# [{'expensive_node': {'result': 10}}]
print(graph.invoke({"x": 5}, stream_mode='updates'))
# [{'expensive_node': {'result': 10}, '__metadata__': {'cached': True}}]

第一次运行需要两秒钟（由于模拟的昂贵计算）。
第二次运行利用缓存并快速返回。

Edges

边定义了逻辑如何路由以及图如何决定停止。这是您的智能体如何工作以及不同节点如何相互通信的重要部分。边有几种关键类型：

普通边：直接从一个节点到下一个节点。
条件边：调用一个函数来确定接下来去哪个节点。
入口点：用户输入到达时首先调用哪个节点。
条件入口点：调用一个函数来确定用户输入到达时首先调用哪个节点。

一个节点可以有多个出边。如果一个节点有多个出边，所有这些目标节点都将作为下一个超级步骤的一部分并行执行。

对于每个节点，选择一种路由机制：使用普通边进行静态路由，或使用条件边 / Command 进行动态路由。不要混合使用普通边和来自同一节点的动态路由，因为两条路径都可能执行，使图行为更难以推理。

普通边

如果您总是想从节点 A 到节点 B，您可以直接使用 add_edge 方法。

graph.add_edge("node_a", "node_b")

条件边

如果您想可选地路由到一个或多个边（或可选地终止），您可以使用 add_conditional_edges 方法。此方法接受一个节点的名称和一个在该节点执行后调用的“路由函数”：

graph.add_conditional_edges("node_a", routing_function)

与节点类似，routing_function 接受图的当前 state 并返回一个值。默认情况下，routing_function 的返回值用作下一个节点（或节点列表）的名称。所有这些节点都将作为下一个超级步骤的一部分并行运行。您可以选择提供一个字典，将 routing_function 的输出映射到下一个节点的名称。

graph.add_conditional_edges("node_a", routing_function, {True: "node_b", False: "node_c"})

如果您想在单个函数中组合状态更新和路由，请使用 Command 而不是条件边。

入口点

入口点是图开始时首先运行的节点。您可以使用从虚拟 START 节点到要执行的第一个节点的 add_edge 方法来指定从哪里进入图。

from langgraph.graph import START

graph.add_edge(START, "node_a")

条件入口点

条件入口点允许您根据自定义逻辑从不同的节点开始。您可以使用从虚拟 START 节点的 add_conditional_edges 来实现这一点。

from langgraph.graph import START

graph.add_conditional_edges(START, routing_function)

您可以选择提供一个字典，将 routing_function 的输出映射到下一个节点的名称。

graph.add_conditional_edges(START, routing_function, {True: "node_b", False: "node_c"})

`Send`

默认情况下，Nodes 和 Edges 是预先定义的，并在相同的共享状态上操作。但是，在某些情况下，确切的边可能不是预先知道的，和/或您可能希望同时存在不同版本的 State。一个常见的例子是 map-reduce 设计模式。在这种设计模式中，第一个节点可能生成一个对象列表，您可能希望将其他节点应用于所有这些对象。对象的数量可能是未知的（意味着边的数量可能未知），并且下游 Node 的输入 State 应该是不同的（每个生成的对象一个）。为了支持这种设计模式，LangGraph 支持从条件边返回 Send 对象。Send 接受两个参数：第一个是节点的名称，第二个是要传递给该节点的状态。

from langgraph.types import Send

def continue_to_jokes(state: OverallState):
    return [Send("generate_joke", {"subject": s}) for s in state['subjects']]

graph.add_conditional_edges("node_a", continue_to_jokes)

`Command`

Command 是一个用于控制图执行的多功能原语。它接受四个参数：

update：应用状态更新（类似于从节点返回更新）。
goto：导航到特定节点（类似于条件边）。
graph：从子图导航时定位父图。
resume：提供一个值以在中断后恢复执行。

Command 在三种上下文中使用：

从节点返回：使用 update、goto 和 graph 将状态更新与控制流组合。
输入到 invoke 或 stream：使用 resume 在中断后继续执行。
从工具返回：类似于从节点返回，在工具内部组合状态更新和控制流。

从节点返回

`update` 和 `goto`

从节点函数返回 Command 以在单个步骤中更新状态并路由到下一个节点：

def my_node(state: State) -> Command[Literal["my_other_node"]]:
    return Command(
        # 状态更新
        update={"foo": "bar"},
        # 控制流
        goto="my_other_node"
    )

使用 Command，您还可以实现动态控制流行为（与条件边相同）：

def my_node(state: State) -> Command[Literal["my_other_node"]]:
    if state["foo"] == "bar":
        return Command(update={"foo": "baz"}, goto="my_other_node")

当您需要同时更新状态并路由到不同节点时，请使用 Command。如果您只需要路由而不需要更新状态，请改用条件边。

在节点函数中返回 Command 时，您必须添加带有节点正在路由到的节点名称列表的返回类型注解，例如 Command[Literal["my_other_node"]]。这对于图渲染是必要的，并告诉 LangGraph my_node 可以导航到 my_other_node。

Command 只添加动态边——使用 add_edge / addEdge 定义的静态边仍然会执行。例如，如果 node_a 返回 Command(goto="my_other_node") 并且您还有 graph.add_edge("node_a", "node_b")，那么 node_b 和 my_other_node 都将运行。对于每个节点，使用 Command 或静态边来路由到下一个节点，而不是两者都用。

查看此操作指南以获取如何使用 Command 的端到端示例。

`graph`

如果您正在使用子图，您可以通过在 Command 中指定 graph=Command.PARENT，从子图中的节点导航到父图中的不同节点：

def my_node(state: State) -> Command[Literal["other_subgraph"]]:
    return Command(
        update={"foo": "bar"},
        goto="other_subgraph",  # 其中 `other_subgraph` 是父图中的一个节点
        graph=Command.PARENT
    )

将 graph 设置为 Command.PARENT 将导航到最近的父图。当您从子图节点向父图节点发送共享父图和子图状态模式的键的更新时，您必须为父图状态中正在更新的键定义一个 reducer。请参见此示例。

这在实现多智能体交接时特别有用。详情请参阅导航到父图中的节点。

输入到 `invoke` 或 `stream`

Command(resume=...) 是唯一旨在作为 invoke()/stream() 输入的 Command 模式。不要使用 Command(update=...) 作为输入来继续多轮对话——因为将任何 Command 作为输入传递会从最新的检查点（即最后运行的步骤，而不是 __start__）恢复，如果图已经完成，它将看起来卡住了。要在现有线程上继续对话，请传递一个普通的输入字典：

# 错误 - 图从最新的检查点恢复
# （最后运行的步骤），看起来卡住了
graph.invoke(Command(update={
    "messages": [{"role": "user", "content": "follow up"}]
}), config)

# 正确 - 普通字典从 __start__ 重新开始
graph.invoke( {
    "messages": [{"role": "user", "content": "follow up"}]
}, config)

`resume`

使用 Command(resume=...) 提供一个值并在中断后恢复图执行。传递给 resume 的值成为暂停节点内 interrupt() 调用的返回值：

from langgraph.types import Command, interrupt

def human_review(state: State):
    # 暂停图并等待一个值
    answer = interrupt("Do you approve?")
    return {"messages": [{"role": "user", "content": answer}]}

# 第一次调用 - 遇到中断并暂停
result = graph.invoke({"messages": [...]}, config)

# 使用值恢复 - interrupt() 调用返回 "yes"
result = graph.invoke(Command(resume="yes"), config)

查看中断概念指南以获取有关中断模式的完整详细信息，包括多个中断和验证循环。

从工具返回

您可以从工具返回 Command 以更新图状态和控制流。使用 update 修改状态（例如，保存对话期间查找的客户信息），并在工具完成后使用 goto 路由到特定节点。

在工具内部使用时，goto 添加了一个动态边——在调用该工具的节点上已定义的任何静态边仍将执行。对于每个节点，使用工具驱动的动态路由或静态边来路由到下一个节点，而不是两者都用。

详情请参阅在工具内使用。

图迁移

LangGraph 可以轻松处理图定义（节点、边和状态）的迁移，即使使用检查点器来跟踪状态。

对于图结束时的线程（即未中断），您可以更改图的整个拓扑结构（即所有节点和边，删除、添加、重命名等）
对于当前中断的线程，我们支持除重命名/删除节点之外的所有拓扑更改（因为该线程现在可能即将进入一个不再存在的节点）——如果这是一个障碍，请联系我们，我们可以优先考虑解决方案。
对于修改状态，我们在添加和删除键方面具有完全的向后和向前兼容性
重命名的状态键将丢失其在现有线程中保存的状态
以不兼容方式更改类型的状态键目前可能会导致在具有更改前状态的线程中出现问题——如果这是一个障碍，请联系我们，我们可以优先考虑解决方案。

运行时上下文

创建图时，您可以为传递给节点的运行时上下文指定 context_schema。这对于向节点传递不属于图状态的信息很有用。例如，您可能想传递依赖项，如模型名称或数据库连接。

@dataclass
class ContextSchema:
    llm_provider: str = "openai"

graph = StateGraph(State, context_schema=ContextSchema)

然后您可以使用 invoke 方法的 context 参数将此上下文传递到图中。

graph.invoke(inputs, context={"llm_provider": "anthropic"})

然后您可以在节点或条件边内访问和使用此上下文：

from langgraph.runtime import Runtime

def node_a(state: State, runtime: Runtime[ContextSchema]):
    llm = get_llm(runtime.context.llm_provider)
    # ...

有关配置的完整细分，请参阅添加运行时配置。

递归限制

递归限制设置图在单次执行期间可以执行的超级步骤的最大数量。一旦达到限制，LangGraph 将引发 GraphRecursionError。从版本 1.0.6 开始，默认递归限制设置为 1000 步。递归限制可以在运行时在任何图上设置，并通过配置字典传递给 invoke/stream。重要的是，recursion_limit 是一个独立的 config 键，不应像所有其他用户定义的配置一样传递在 configurable 键内。请参见下面的示例：

graph.invoke(inputs, config={"recursion_limit": 5}, context={"llm": "anthropic"})

阅读递归限制以了解更多关于递归限制如何工作的信息。

访问和处理递归计数器

当前步骤计数器可在任何节点内的 config["metadata"]["langgraph_step"] 中访问，允许在达到递归限制之前进行主动递归处理。这使您能够在图逻辑中实现优雅降级策略。

工作原理

步骤计数器存储在 config["metadata"]["langgraph_step"] 中。递归限制检查遵循以下逻辑：step > stop，其中 stop = step + recursion_limit + 1。当超过限制时，LangGraph 会引发 GraphRecursionError。

访问当前步骤计数器

您可以在任何节点内访问当前步骤计数器以监控执行进度。

from langchain_core.runnables import RunnableConfig
from langgraph.graph import StateGraph

def my_node(state: dict, config: RunnableConfig) -> dict:
    current_step = config["metadata"]["langgraph_step"]
    print(f"Currently on step: {current_step}")
    return state

主动递归处理

LangGraph 提供了一个 RemainingSteps 托管值，用于跟踪在达到递归限制之前还剩多少步骤。这允许在图中进行优雅降级。

from typing import Annotated, Literal
from langgraph.graph import StateGraph, START, END
from langgraph.managed import RemainingSteps

class State(TypedDict):
    messages: Annotated[list, lambda x, y: x + y]
    remaining_steps: RemainingSteps  # 托管值 - 跟踪直到限制的步骤

def reasoning_node(state: State) -> dict:
    # RemainingSteps 由 LangGraph 自动填充
    remaining = state["remaining_steps"]

    # 检查我们是否即将用完步骤
    if remaining <= 2:
        return {"messages": ["Approaching limit, wrapping up..."]}

    # 正常处理
    return {"messages": ["thinking..."]}

def route_decision(state: State) -> Literal["reasoning_node", "fallback_node"]:
    """基于剩余步骤进行路由"""
    if state["remaining_steps"] <= 2:
        return "fallback_node"
    return "reasoning_node"

def fallback_node(state: State) -> dict:
    """处理递归限制即将达到的情况"""
    return {"messages": ["Reached complexity limit, providing best effort answer"]}

# 构建图
builder = StateGraph(State)
builder.add_node("reasoning_node", reasoning_node)
builder.add_node("fallback_node", fallback_node)
builder.add_edge(START, "reasoning_node")
builder.add_conditional_edges("reasoning_node", route_decision)
builder.add_edge("fallback_node", END)

graph = builder.compile()

# RemainingSteps 适用于任何 recursion_limit
result = graph.invoke({"messages": []}, {"recursion_limit": 10})

主动与被动方法

处理递归限制有两种主要方法：主动（在图内监控）和被动（在外部捕获错误）。

from typing import Annotated, Literal, TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.managed import RemainingSteps
from langgraph.errors import GraphRecursionError

class State(TypedDict):
    messages: Annotated[list, lambda x, y: x + y]
    remaining_steps: RemainingSteps

# 主动方法（推荐） - 使用 RemainingSteps
def agent_with_monitoring(state: State) -> dict:
    """主动监控和处理图内的递归"""
    remaining = state["remaining_steps"]

    # 早期检测 - 路由到内部处理
    if remaining <= 2:
        return {
            "messages": ["Approaching limit, returning partial result"]
        }

    # 正常处理
    return {"messages": [f"Processing... ({remaining} steps remaining)"]}

def route_decision(state: State) -> Literal["agent", END]:
    if state["remaining_steps"] <= 2:
        return END
    return "agent"

# 构建图
builder = StateGraph(State)
builder.add_node("agent", agent_with_monitoring)
builder.add_edge(START, "agent")
builder.add_conditional_edges("agent", route_decision)
graph = builder.compile()

# 主动：图优雅完成
result = graph.invoke({"messages": []}, {"recursion_limit": 10})

# 被动方法（后备） - 在外部捕获错误
try:
    result = graph.invoke({"messages": []}, {"recursion_limit": 10})
except GraphRecursionError as e:
    # 在图执行失败后在外部处理
    result = {"messages": ["Fallback: recursion limit exceeded"]}

这些方法之间的主要区别：

方法	检测	处理	控制流
主动（使用 `RemainingSteps`）	在达到限制之前	通过条件路由在图内	图继续到完成节点
被动（捕获 `GraphRecursionError`）	在超过限制之后	在 try/catch 中在图外	图执行终止

主动方法的优点：

在图内优雅降级
可以在检查点中保存中间状态
更好的用户体验，提供部分结果
图正常完成（无异常）

被动方法的优点：

实现更简单
无需修改图逻辑
集中错误处理

其他可用元数据

除了 langgraph_step 之外，config["metadata"] 中还提供以下元数据：

def inspect_metadata(state: dict, config: RunnableConfig) -> dict:
    metadata = config["metadata"]

    print(f"Step: {metadata['langgraph_step']}")
    print(f"Node: {metadata['langgraph_node']}")
    print(f"Triggers: {metadata['langgraph_triggers']}")
    print(f"Path: {metadata['langgraph_path']}")
    print(f"Checkpoint NS: {metadata['langgraph_checkpoint_ns']}")

    return state

可视化

能够可视化图通常很好，尤其是当它们变得更复杂时。LangGraph 附带了几种内置的图可视化方式。更多信息请参阅可视化您的图。

可观测性和跟踪

要跟踪、调试和评估您的智能体，请使用 LangSmith。

了解更多

将这些文档连接到 Claude、VSCode 等，通过 MCP 获取实时答案。

在 GitHub 上编辑此页面或提交问题。

​图

​StateGraph

​编译您的图

​State

​Schema

​多种模式

​Reducers

​默认 reducer

​覆盖

​在图状态中处理消息

​为什么使用消息？

​在图中使用消息

​序列化

​MessagesState

​Nodes

​START 节点

​END 节点

​节点缓存

​Edges

​普通边

​条件边

​入口点

​条件入口点

​Send

​Command

​从节点返回

​update 和 goto

​graph

​输入到 invoke 或 stream

​resume

​从工具返回

​图迁移

​运行时上下文

​递归限制

​访问和处理递归计数器

​工作原理

​访问当前步骤计数器

​主动递归处理

​主动与被动方法

​其他可用元数据

​可视化

​可观测性和跟踪

​了解更多

图

StateGraph

编译您的图

State

Schema

多种模式

Reducers

默认 reducer

覆盖

在图状态中处理消息

为什么使用消息？

在图中使用消息

序列化

MessagesState

Nodes

`START` 节点

`END` 节点

节点缓存

Edges

普通边

条件边

入口点

条件入口点

`Send`

`Command`

从节点返回

`update` 和 `goto`

`graph`

输入到 `invoke` 或 `stream`

`resume`

从工具返回

图迁移

运行时上下文

递归限制

访问和处理递归计数器

工作原理

访问当前步骤计数器

主动递归处理

主动与被动方法

其他可用元数据

可视化

可观测性和跟踪

了解更多