LangGraph 运行时 - Docs by LangChain

Pregel 实现了 LangGraph 的运行时，负责管理 LangGraph 应用程序的执行。编译一个 StateGraph 或创建一个 @entrypoint 会产生一个 Pregel 实例，该实例可以使用输入进行调用。本指南从高层次解释了运行时，并提供了直接使用 Pregel 实现应用程序的说明。

注意： Pregel 运行时的名称来源于 Google 的 Pregel 算法，该算法描述了一种使用图进行大规模并行计算的高效方法。

概述

在 LangGraph 中，Pregel 将 参与者 和通道结合成一个单一的应用程序。参与者 从通道读取数据并向通道写入数据。Pregel 将应用程序的执行组织成多个步骤，遵循 Pregel 算法/批量同步并行 模型。每个步骤包含三个阶段：

计划：确定此步骤要执行哪些 参与者。例如，在第一步中，选择订阅特殊输入通道的 参与者；在后续步骤中，选择订阅在上一步中更新的通道的 参与者。
执行：并行执行所有选定的 参与者，直到全部完成、某个失败或达到超时。在此阶段，通道更新对参与者不可见，直到下一步。
更新：使用此步骤中 参与者 写入的值更新通道。

重复此过程，直到没有选定的 参与者 需要执行，或达到最大步骤数。

参与者

一个 参与者 是一个 PregelNode。它订阅通道，从通道读取数据，并向通道写入数据。它可以被视为 Pregel 算法中的一个 参与者。PregelNodes 实现了 LangChain 的 Runnable 接口。

通道

通道用于在参与者（PregelNodes）之间进行通信。每个通道有一个值类型、一个更新类型和一个更新函数——该函数接收一系列更新并修改存储的值。通道可用于将数据从一个链发送到另一个链，或在未来的步骤中将数据从链发送到自身。

LastValue

LastValue 是默认的通道类型。它存储最后写入的值，覆盖任何先前的值。用于输入和输出值，或在步骤之间传递数据。

from langgraph.channels import LastValue

channel: LastValue[int] = LastValue(int)

Topic

Topic 是一个可配置的发布订阅通道，适用于在参与者之间发送多个值或跨步骤累积输出。可以配置为对值进行去重，或累积运行期间写入的所有值。

from langgraph.channels import Topic

# 累积跨步骤写入的所有值
channel: Topic[str] = Topic(str, accumulate=True)

BinaryOperatorAggregate

BinaryOperatorAggregate 存储一个持久值，该值通过将二元运算符应用于当前值和每个新更新来更新。用于计算跨步骤的运行聚合。

import operator
from langgraph.channels import BinaryOperatorAggregate

# 运行总计：每次写入都添加到当前值
total = BinaryOperatorAggregate(int, operator.add)

DeltaChannel (beta)

DeltaChannel 需要 langgraph>=1.2，目前处于 beta 版本。API 可能在未来版本中更改。

DeltaChannel 在每个步骤仅存储增量变化，而不是完整的累积值。这对于频繁写入且随时间累积大量值的通道最有用——例如，长时间运行线程中的对话消息列表。没有增量存储时，完整列表会在每个检查点重新序列化；使用 DeltaChannel，则仅存储每个步骤写入的新消息。

当通道既频繁写入又随时间增长时，请考虑使用 DeltaChannel。一个好迹象是：如果你注意到某个通道的检查点大小随线程长度线性增长，那么 DeltaChannel 可能很适合。

在 Annotated 类型注解中使用 DeltaChannel，就像使用普通归约器一样：

from typing import Annotated, Sequence
from typing_extensions import TypedDict
from langgraph.channels import DeltaChannel


def my_reducer(state: list[str], writes: Sequence[list[str]]) -> list[str]:
    result = list(state)
    for write in writes:
        result.extend(write)
    return result


class State(TypedDict):
    messages: Annotated[list[str], DeltaChannel(my_reducer)]

批量归约器要求

传递给 DeltaChannel 的 reducer 是一个 批量归约器：它在单次调用中接收当前状态和当前步骤所有写入的序列——而不是像标准归约器那样成对处理。这与在 StateGraph 中与 Annotated 一起使用的按键归约器不同，后者每次更新调用一次。

批量归约器 必须是可结合的（批处理不变）：

reducer(reducer(state, [xs]), [ys]) == reducer(state, [xs, ys])

如果你的归约器不是可结合的，重建的状态可能会因 LangGraph 如何跨步骤批处理写入而异，导致不一致的行为。

以下是两种最常见情况的批量归约器：

from typing import Any, Sequence


# 列表：按顺序追加所有写入
def list_reducer(state: list[Any], writes: Sequence[list[Any]]) -> list[Any]:
    result = list(state)
    for write in writes:
        result.extend(write)
    return result


# 字典：合并所有写入，键冲突时最后一次写入生效
def dict_reducer(
    state: dict[str, Any], writes: Sequence[dict[str, Any]]
) -> dict[str, Any]:
    result = dict(state)
    for write in writes:
        result.update(write)
    return result

两者都是可结合的：逐批应用与一起应用产生相同的结果。

使用 snapshot_frequency 控制有界读取延迟

没有快照时，读取 DeltaChannel 值需要重放完整的写入历史——对于有 N 个步骤的线程，复杂度为 O(N)。设置 snapshot_frequency=K 会每 K 个 pregel 步骤写入一个完整快照，将读取深度限制为最多 K 个步骤：

class State(TypedDict):
    messages: Annotated[
        list[str],
        DeltaChannel(my_reducer, snapshot_frequency=5),
    ]

较高的 snapshot_frequency 值会减少存储开销，但会增加读取延迟。较低的值以更大的检查点为代价更严格地限制延迟。None（默认值）完全跳过快照——适用于读取很少或线程较短的情况。

示例

虽然大多数用户将通过 StateGraph API 或 @entrypoint 装饰器与 Pregel 交互，但也可以直接与 Pregel 交互。以下是一些不同的示例，让你了解 Pregel API。

单节点
多节点
Topic
BinaryOperatorAggregate
循环

from langgraph.channels import EphemeralValue
from langgraph.pregel import Pregel, NodeBuilder

node1 = (
    NodeBuilder().subscribe_only("a")
    .do(lambda x: x + x)
    .write_to("b")
)

app = Pregel(
    nodes={"node1": node1},
    channels={
        "a": EphemeralValue(str),
        "b": EphemeralValue(str),
    },
    input_channels=["a"],
    output_channels=["b"],
)

app.invoke({"a": "foo"})

{'b': 'foofoo'}

from langgraph.channels import LastValue, EphemeralValue
from langgraph.pregel import Pregel, NodeBuilder

node1 = (
    NodeBuilder().subscribe_only("a")
    .do(lambda x: x + x)
    .write_to("b")
)

node2 = (
    NodeBuilder().subscribe_only("b")
    .do(lambda x: x + x)
    .write_to("c")
)


app = Pregel(
    nodes={"node1": node1, "node2": node2},
    channels={
        "a": EphemeralValue(str),
        "b": LastValue(str),
        "c": EphemeralValue(str),
    },
    input_channels=["a"],
    output_channels=["b", "c"],
)

app.invoke({"a": "foo"})

{'b': 'foofoo', 'c': 'foofoofoofoo'}

from langgraph.channels import EphemeralValue, Topic
from langgraph.pregel import Pregel, NodeBuilder

node1 = (
    NodeBuilder().subscribe_only("a")
    .do(lambda x: x + x)
    .write_to("b", "c")
)

node2 = (
    NodeBuilder().subscribe_to("b")
    .do(lambda x: x["b"] + x["b"])
    .write_to("c")
)

app = Pregel(
    nodes={"node1": node1, "node2": node2},
    channels={
        "a": EphemeralValue(str),
        "b": EphemeralValue(str),
        "c": Topic(str, accumulate=True),
    },
    input_channels=["a"],
    output_channels=["c"],
)

app.invoke({"a": "foo"})

{'c': ['foofoo', 'foofoofoofoo']}

此示例演示如何使用 BinaryOperatorAggregate 通道实现归约器。

from langgraph.channels import EphemeralValue, BinaryOperatorAggregate
from langgraph.pregel import Pregel, NodeBuilder


node1 = (
    NodeBuilder().subscribe_only("a")
    .do(lambda x: x + x)
    .write_to("b", "c")
)

node2 = (
    NodeBuilder().subscribe_only("b")
    .do(lambda x: x + x)
    .write_to("c")
)

def reducer(current, update):
    if current:
        return current + " | " + update
    else:
        return update

app = Pregel(
    nodes={"node1": node1, "node2": node2},
    channels={
        "a": EphemeralValue(str),
        "b": EphemeralValue(str),
        "c": BinaryOperatorAggregate(str, operator=reducer),
    },
    input_channels=["a"],
    output_channels=["c"],
)

app.invoke({"a": "foo"})

此示例演示如何在图中引入循环，方法是让一个链写入它订阅的通道。执行将继续，直到向通道写入 None 值。

from langgraph.channels import EphemeralValue
from langgraph.pregel import Pregel, NodeBuilder, ChannelWriteEntry

example_node = (
    NodeBuilder().subscribe_only("value")
    .do(lambda x: x + x if len(x) < 10 else None)
    .write_to(ChannelWriteEntry("value", skip_none=True))
)

app = Pregel(
    nodes={"example_node": example_node},
    channels={
        "value": EphemeralValue(str),
    },
    input_channels=["value"],
    output_channels=["value"],
)

app.invoke({"value": "a"})

{'value': 'aaaaaaaaaaaaaaaa'}

高级 API

LangGraph 提供了两个用于创建 Pregel 应用程序的高级 API：StateGraph (Graph API) 和 Functional API。

StateGraph (Graph API)
Functional API

StateGraph (Graph API) 是一个更高级的抽象，简化了 Pregel 应用程序的创建。它允许你定义节点和边的图。当你编译图时，StateGraph API 会自动为你创建 Pregel 应用程序。

from typing import TypedDict

from langgraph.constants import START
from langgraph.graph import StateGraph

class Essay(TypedDict):
    topic: str
    content: str | None
    score: float | None

def write_essay(essay: Essay):
    return {
        "content": f"Essay about {essay['topic']}",
    }

def score_essay(essay: Essay):
    return {
        "score": 10
    }

builder = StateGraph(Essay)
builder.add_node(write_essay)
builder.add_node(score_essay)
builder.add_edge(START, "write_essay")
builder.add_edge("write_essay", "score_essay")

# 编译图。
# 这将返回一个 Pregel 实例。
graph = builder.compile()

编译后的 Pregel 实例将与一组节点和通道相关联。你可以通过打印它们来检查节点和通道。

print(graph.nodes)

你会看到类似这样的内容：

{'__start__': <langgraph.pregel.read.PregelNode at 0x7d05e3ba1810>,
 'write_essay': <langgraph.pregel.read.PregelNode at 0x7d05e3ba14d0>,
 'score_essay': <langgraph.pregel.read.PregelNode at 0x7d05e3ba1710>}

print(graph.channels)

你应该会看到类似这样的内容

{'topic': <langgraph.channels.last_value.LastValue at 0x7d05e3294d80>,
 'content': <langgraph.channels.last_value.LastValue at 0x7d05e3295040>,
 'score': <langgraph.channels.last_value.LastValue at 0x7d05e3295980>,
 '__start__': <langgraph.channels.ephemeral_value.EphemeralValue at 0x7d05e3297e00>,
 'write_essay': <langgraph.channels.ephemeral_value.EphemeralValue at 0x7d05e32960c0>,
 'score_essay': <langgraph.channels.ephemeral_value.EphemeralValue at 0x7d05e2d8ab80>,
 'branch:__start__:__self__:write_essay': <langgraph.channels.ephemeral_value.EphemeralValue at 0x7d05e32941c0>,
 'branch:__start__:__self__:score_essay': <langgraph.channels.ephemeral_value.EphemeralValue at 0x7d05e2d88800>,
 'branch:write_essay:__self__:write_essay': <langgraph.channels.ephemeral_value.EphemeralValue at 0x7d05e3295ec0>,
 'branch:write_essay:__self__:score_essay': <langgraph.channels.ephemeral_value.EphemeralValue at 0x7d05e2d8ac00>,
 'branch:score_essay:__self__:write_essay': <langgraph.channels.ephemeral_value.EphemeralValue at 0x7d05e2d89700>,
 'branch:score_essay:__self__:score_essay': <langgraph.channels.ephemeral_value.EphemeralValue at 0x7d05e2d8b400>,
 'start:write_essay': <langgraph.channels.ephemeral_value.EphemeralValue at 0x7d05e2d8b280>}

在 Functional API 中，你可以使用 @entrypoint 创建 Pregel 应用程序。entrypoint 装饰器允许你定义一个接收输入并返回输出的函数。

from typing import TypedDict

from langgraph.checkpoint.memory import InMemorySaver
from langgraph.func import entrypoint

class Essay(TypedDict):
    topic: str
    content: str | None
    score: float | None


checkpointer = InMemorySaver()

@entrypoint(checkpointer=checkpointer)
def write_essay(essay: Essay):
    return {
        "content": f"Essay about {essay['topic']}",
    }

print("Nodes: ")
print(write_essay.nodes)
print("Channels: ")
print(write_essay.channels)

Nodes:
{'write_essay': <langgraph.pregel.read.PregelNode object at 0x7d05e2f9aad0>}
Channels:
{'__start__': <langgraph.channels.ephemeral_value.EphemeralValue object at 0x7d05e2c906c0>, '__end__': <langgraph.channels.last_value.LastValue object at 0x7d05e2c90c40>, '__previous__': <langgraph.channels.last_value.LastValue object at 0x7d05e1007280>}

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

在 GitHub 上编辑此页面或提交问题。

​概述

​参与者

​通道

​LastValue

​Topic

​BinaryOperatorAggregate

​DeltaChannel (beta)

​批量归约器要求

​使用 snapshot_frequency 控制有界读取延迟

​示例

​高级 API

概述

参与者

通道

LastValue

Topic

BinaryOperatorAggregate

DeltaChannel (beta)

批量归约器要求

使用 snapshot_frequency 控制有界读取延迟

示例

高级 API