无尘阁日记

无尘阁日记

LangGraph开发AI Agent实践:把流程画死了,才有得控
silcano

微信读书《LangGraph开发AI Agent实践》(邓立国、周驰岷、邓淇文)· 本次逐页翻阅 544 屏,从版权页一路读到第 12 章小结,72 个章节条目全部覆盖,抓取标记为全书读完。
说明:这是一本技术书,正文里大量是代码,所以本篇不逐章复述目录,只挑真正露出作者判断的地方写。引句页码为本次截图编号,与纸书页码无关;凡加引号的话都能在对应截图里逐字核对,标"我的判断""我认为"处是评论,已与原文分开。p0083 到 p0086、p0107 等 10 屏是滚动时抓空的,不影响阅读,这里提前说明。

技术书的评价标准和别的书不一样。

小说写得好不好,你读完就知道;一本框架教程写得好不好,得等你照它的代码跑一遍、报错了三次之后才知道。所以这类书最难的地方从来不是"讲得对不对",而是"它有没有替你把坑先踩一次"。判断标准也就落在一件事上:作者写的是他已经跑通的路径,还是他 documentation 的整理稿。

这本书的答案是:两者都有,而且分界线非常清楚——凡是讲状态管理和断点续跑的地方,是真的做过;凡是讲四个实战项目的地方,第四个明显是凑的。下面按这条线来写。

一、先看清它的骨架:两章理论,十章手把手

全书三篇十二章。第 1 篇基础(第 1 到 4 章),讲 LangGraph 是什么、环境怎么搭、带工具和记忆的聊天机器人怎么建、RAG 检索 Agent 怎么从零写;第 2 篇开发(第 5 到 8 章),工作流、外部工具与 API、状态管理与持久化、智能体集成;第 3 篇是四个项目:客户支持聊天机器人、旅行规划智能体、电商退款处理、股票趋势预测。

前言里作者交代了选这四个项目的原因,写得相当直白:

市场对智能体技术的需求在多领域正呈现爆发态势:企业客服领域需要能整合订单查询、规则判断的自动化处理系统;旅行服务行业亟需集成天气、酒店、景点数据的行程规划助手;电商平台则要求智能体实现退款流程的动态分支管理与人工协作。

这三个场景各对应一类技术难点,这个安排是合理的:客服考的是"意图识别 + 单链路走通",旅行考的是"多工具串联",退款考的是"分支 + 人工接管"。三个加起来,LangGraph 的三种典型用法就都覆盖到了。

但前言里还有一句,我读到的时候停了一下:

本书立足LangGraph框架的技术特性,从基础组件解析到实战案例开发,全面覆盖智能体开发全流程……精准对接企业降本增效的核心诉求,为AI开发者、企业技术团队提供兼具理论深度与实践价值的指南。

"兼具理论深度与实践价值"这句话,几乎每本技术书的前言都有,属于不必当真的客套。但"精准对接企业降本增效的核心诉求"这句透露了它的真实定位——这是一本写给要交活的人看的书,不是写给要做研究的人看的书。认清这一点,后面的评价才有意义:拿"理论深度"去要求它,等于拿菜刀去量体温。

二、图的价值:把"智能"拆成可以被复查的路径

第 1 章讲 LangGraph 的定义,作者给的落点很有意思——他没先讲 API,而是先讲痛点:

当前智能体开发面临工作流设计复杂、状态管理混乱、多工具集成烦琐等痛点,传统框架难以满足工业级应用需求。LangChain团队推出的LangGraph框架以"确定性状态管理"和"图结构工作流"为核心优势,填补了这一空白,为开发者提供了构建可靠、可扩展智能体的标准化工具。

"确定性状态管理"这六个字是全书的核心,也是最容易被读者滑过去的地方。因为绝大多数人学 LangGraph,第一反应是"哦,就是把链画成图嘛",然后就去抄节点和边的写法了。但真正决定它和别的框架差别在哪的,不是图形,是"确定性"。

我的判断:LangGraph 真正卖的东西,不是让智能体更聪明,是让智能体的行为可以被复查。

这两件事方向相反。一个纯靠模型自主决策的 Agent,能力上限高,但你没法回答"它为什么走了这一步";一个画成图的 Agent,能力上限被封住了,但每一步都在你画的边里,出问题能定位到某条边、某个节点、某个状态字段。

企业要的从来是后者。这不是技术偏好,是采购逻辑:能上生产的东西,先得能被审计、被回滚、被划清责任。作者在前言里说这是"工业级应用需求",用词很准——工业级的意思不是性能高,是出事了有人能负责。

所以我看这本书讲图的部分,看的是它有没有把"路径"讲透。它讲了,而且讲得不浅:第 5 章线性工作流、分支与动态路由、多智能体协作三节,把一张图能走的几种拓扑都铺开了;第 8 章又把 LangChain Agent 包成"特殊节点"塞进图里,解决"图里怎么放一个不那么可控的黑盒"这个现实问题。这部分是站得住的。

三、状态才是主角,第 7 章比第 1 章重要得多

如果你只有两小时读这本书,我建议你读第 7 章,不读第 1 章。

第 7 章讲状态管理与持久化,三节:状态机的实现、本地与云端存储方案、异常恢复与断点续跑。第 7.3 节这个名字听起来平淡,"断点续跑"四个字也不性感,但它是整本书唯一在讲"真实世界会怎么打你"的地方。

因为在真实项目里,一个智能体跑到第 7 步,API 超时了、模型返回了畸形 JSON、用户关了页面。你的选择只有两个:从头再跑一遍(钱和时间都烧掉),或者从第 7 步接着跑。

接着跑的前提是什么?是把第 1 到 6 步的状态完整地存下来,并且这个状态是结构化的、可反序列化的、下次读出来还能继续用的。这件事听着像工程细节,实际上是架构决定——它要求你在写第一行代码之前,就把"状态长什么样"定死。

p0153 有一段技术实现要点,把这件事说白了:

状态管理:使用Checkpointer持久化状态,支持暂停/恢复、回溯调试;

智能体不直接修改历史记录,而是追加新消息到共享状态。

支持结构化状态(如 {messages: [...], draft: "...", feedback: "..."})。

"不直接修改历史记录,而是追加新消息"——这一句是消息累加器模式,也是整本书最该被画重点的一行。它解决的是多智能体协作时最常见的一种脏数据:A 智能体把 messages 改了一遍,B 智能体又改一遍,等出错的时候你翻日志,发现谁改的、改成什么样、为什么改,全都查不到。

换成追加,你得到的东西是一份不可变的历史。每一步都是新增的一行,谁在什么时候说了什么,全在里头。这不是代码风格问题,这是可观测性的地基。凡是做过线上事故复盘的都知道,能不能复现,取决于你有没有留全量输入输出。

作者把这一条写成了一段不起眼的要点,而不是单独开一节讲,这是这本书的一个通病:它经常把最有价值的东西放在最不显眼的位置。

四、code_quality >= 0.8:可控性的真身是一个阈值

讲"可控交互流程"的时候,作者给了一段代码,我觉得它比前面所有论述都诚实:

# 示例:条件路由实现决策分支
def should_continue(state: State):
    if state["code_quality"] >= 0.8:
        return "end"      # 质量达标则终止
    else:
        return "review"   # 否则跳转至评审节点

四个词概括这段代码:把判断变成一个数。

前面几章一直在讲"图结构让流程可控",但"可控"这个词是虚的,直到你看到这一行 code_quality >= 0.8 才落地——所谓可控,就是把原本由模型自由裁量的"够不够好",压缩成一个可以被检查、被调整、被争论的阈值。

我认为这是整本书最值得琢磨的一个设计,也是它最容易被误读的一个设计。

好的一面:阈值是可运营的。0.8 太松,就调到 0.85;某个业务线总是卡在 review,你就知道是模型在这一类任务上的能力不够,而不是"感觉它不太行"。有了数,才有改进的方向。

不好的一面,作者没写,但我必须补上:阈值化把"智能判断"换成了"参数调优",而参数是拍出来的。0.8 从哪来?书里没说。真实项目里它通常来自三处——历史数据的分布、业务方的主观容忍度、以及上线前那次匆忙的评估。换句话说,这个系统的"质量控制",最终由一个没人能严格论证的数字决定。

我不是说这样不对。工程上就该这么干,总比让模型自己说"我觉得可以了"要靠谱。我要说的是:当你把可靠性寄托在一个阈值上,你就得为这个阈值负责,而大多数团队并没有为它负责的能力——他们没有标注集,没有离线评估,也没有回滚预案。书里给了代码,没给这套方法论,这是它作为"工程指南"缺的一角。

五、1.4 节是全书最有诚意的地方

第 1.4 节做框架对比,我原以为会是标准的"我们最好"式宣传,结果作者老老实实写了 LangGraph 的缺点,而且写到了点子上:

学习门槛较高:对于不熟悉图结构模型、状态机理论的开发者,需要花费一定时间掌握LangGraph的核心设计逻辑与开发方式,上手难度相对较大。

大规模协同能力有限:虽然支持多智能体协同,但在需要数百、数千个智能体大规模协作的场景中,其架构的执行效率会受到影响,适配性有限。

高级AI功能支撑不足:对于涉及机器学习模型训练、强化学习、实时大数据处理等复杂技术场景的智能体,LangGraph的原生支持能力有限,需要额外集成相关工具。

初始配置复杂:对于新手开发者而言,基于LangGraph配置复杂的智能体工作流、设置状态管理与条件分支,需要投入较多的时间与精力。

四条里,第二条和第四条是真话,而且都是我认同的。

"大规模协同能力有限"这一条尤其难得。一个框架的作者(或布道者)通常不会主动说"我们撑不住上千个智能体",因为这等于给竞品递刀。但这句话是对的:图结构的状态同步成本随节点数增长,几百个节点还能靠中心化状态撑住,几千个就必须换成消息总线或分层调度了。把这句话写出来,说明作者至少知道边界在哪。

"初始配置复杂"也是实情。LangGraph 的门槛不在语法,在概念——State、Node、Edge、Conditional Edge、Checkpointer,五个概念得先在脑子里形成一张图,你才能写出第一段能跑的代码。而大多数开发者习惯的是"装个库,调个方法",这个落差会劝退一批人。

1.4.4 的选型指南也写得克制,它没有说"什么场景都用 LangGraph",而是给了条件:

优先选择LangGraph:若智能体项目以NLP相关任务为核心(如聊天机器人、虚拟助手、文档分析),则需要复杂的流程管控、上下文连贯的交互能力,且注重流程可视化与可调试性,LangGraph是最优选择。

"以 NLP 相关任务为核心"这个限定词加得好。它等于在说:如果你的活儿是训练模型、跑强化学习、处理实时大数据流,别用我。这种自我设限,在一本推广自家框架的书里,算是有良心的写法。

顺带说一句:这一节里对其他框架的批评也不客气,比如"小型应用适配性差:对于不需要复杂数据处理、大规模计算的小型智能体应用,其高级功能过于冗余,存在'割鸡用牛刀'的问题"。这句话说得挺狠,但它同样适用于 LangGraph 自己——一个只做意图识别加固定回复的客服机器人,用 LangGraph 也是牛刀。作者在批评对手的时候,没有把这句话收回来看自己一眼,这是个小遗憾。

六、代码里的矛盾:嘴上说生态,手上直连 SDK

第 9 章客户支持机器人的代码,是我读得最仔细的一段,因为它在两个地方露出了这本书的真实处境。

第一个地方是开头几行的 import:

from langgraph.graph import StateGraph, END
from langchain_core.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser
# 直接使用通义千问原生SDK
import dashscope
from dashscope import Generation

往下几行,函数的注释写得更直接:"封装通义千问调用函数(替代 LangChain 封装)"。

这就形成了一个明显的对照:1.4.4 节把"与 LangChain 生态的集成性"列为选 LangGraph 的理由之一,第 9 章的代码却把 LangChain 的模型封装整个绕开了,直接调阿里云百炼的 SDK。

我的判断:这不是作者写错了,这是国内开发者的真实状态,而书没有把这个真实状态讲透。

真实情况是:LangChain 的模型抽象层在国内水土不服。通义、文心、豆包、DeepSeek 各家都有自己的 SDK 和参数习惯,LangChain 的封装要么滞后,要么丢功能(比如结构化输出的某些模式、流式的细粒度回调)。所以真要上生产,多数团队的做法就是——图用 LangGraph,模型直连厂商。LangGraph 提供的是编排骨架,模型调用早就被剥出去了。

这个结构其实很健康:把最不稳定的部分(模型接口)和最稳定的部分(流程编排)解耦。但书里对这一点的处理是沉默——它既没解释为什么绕开,也没提醒读者"你以后也会这么干"。于是读者会得到一个错误印象:LangGraph 和 LangChain 是一体的。等到他自己接国内模型踩坑时,才会发现书里那句"生态集成性"帮不上忙。

第二个地方是 p0338 的意图识别写法:

# 第一步:让 LLM 判断用户需求类型
请判断用户输入的需求类型,只能返回以下选项之一:
(1)tax_calculation(个税计算)
(2)investment_analysis(投资分析)
(3)unknown(未知)

这是标准的"用提示词做分类器"。它简单、能跑、对三个以内的类别够用。但它有一个所有做过线上分类的人都熟悉的毛病:模型返回的字符串,你没法保证它一定在候选集里。它可能返回"tax_calculation "(带空格)、"tax calculation"(换了下划线)、"1"、或者一段解释。书里的处理是 strip().lower(),能挡住空格和大小写,挡不住语义漂移。

在 LangGraph 的语境里,这个问题本该被重点讲——因为意图识别的结果直接决定路由走哪条边,一旦返回了候选集外的值,图就不知道该往哪走。这是"图结构"和"提示词分类"结合时最典型的失效点,书里只用一行 strip 带过了。

如果让我补一句:这里应该用结构化输出(JSON schema 约束)或者枚举校验加兜底分支,而不是靠字符串比较。这是 2024 年之后所有做 Agent 的团队都会踩一次的坑,书里没写,可惜了。

七、四个项目,含金量落差比目录看起来大

第 9 到 12 章是四个项目,篇幅接近,但质量差得远。

第 9 章客户支持机器人,是最完整的一条链路:TypedDict 定义状态(user_input、intent、answer、step 四个字段),LLM 判意图,再调模型出答案,step 字段记录"input→intent→answer→end"。这段的设计不惊艳,但每个字段都有用,是一个可以照着改的骨架。

第 11 章电商退款处理,是我认为最适合当范例的一章。退款这件事的真实难点不在技术,在"什么时候必须叫人"——金额超过多少要走人工、客户情绪激烈要走人工、政策模糊要走人工。这类"分支 + 人工接管"的流程,恰好是图结构最擅长的,也是纯提示词方案最做不好的。作者把这一章的分支画清楚了。

第 12 章股票趋势预测,问题最大。看它自己的技术分层就明白了:

数据采集工具:基于AkShare实现A股日线数据的实时获取,自动补全交易所后缀。

数据处理工具:通过Pandas完成数据清洗、列重命名、空值处理;通过NumPy实现线性回归预测。

可视化工具:基于Plotly生成K线+均线+成交量的组合图表,支持交互操作。

智能编排层:通过TypedDict定义AgentState,统一管理工作流中的所有数据。

拆开看,这个"智能分析系统"由四部分组成:AkShare 取数、Pandas 清洗、NumPy 线性回归、Plotly 画图。大模型在哪?在最外层负责"把结果说成人话"。

这里我必须说句不好听的:用线性回归预测股价,再包一层大模型,这不叫智能体,这叫给一个统计学作业套了个聊天框。

不是我看不起线性回归——它在很多场景是好工具。问题在于"预测股价"这四个字。日线价格序列是非平稳的、带噪声的、被无数聪明钱博弈过的,用一个线性模型去拟合它的趋势,在学术上早有大量反例,在实盘上更是标准的反面教材。作者自己留了余地(书名是"趋势预测"不是"价格预测"),但读者读完这一章,得到的印象会是"我也可以做个炒股 AI"。

更关键的是,这一章把 LangGraph 用成了什么?用成了一个把四个函数串起来的调度器。取数→清洗→回归→画图,这是一条纯线性的流水线,用 if-else 写二十行就够了,不需要图、不需要状态机、不需要 Checkpointer。它没有展示 LangGraph 的任何独特价值,只展示了它也能干普通的活。

这就是我说的含金量落差:第 9、11 章在讲"图能解决什么别人解决不了的问题",第 12 章在讲"图也能跑一个普通脚本"。如果篇幅有限,这一章应该换成"多智能体协作的真实案例",哪怕不完整,也比这个有信息量。

八、它的短板

好话说完了,说问题。四个,都是具体的。

第一,全书没有一处讲失败。智能体项目最常见的失败不是"跑不起来",是"跑起来了但不敢上线"——延迟太高、成本不可控、输出不稳定、用户一句奇怪的话就让它绕进死循环。这些是每一个做过 Agent 的人都经历过的,但本书 544 屏里,没有一个案例讲"我们这样做失败了,后来改成这样"。所有的项目都是一次成型。这让它读起来像产品文档,而不是工程记录。

第二,成本这个维度几乎缺席。智能体是烧 token 的,多智能体是成倍烧 token 的,带反思循环(review 节点)的是按轮次烧 token 的。全书讲了大量的"怎么让它更聪明",几乎没有讲"怎么让它更便宜"。第 5 章的多智能体协作、第 8 章的智能体主管,都是成本放大器,但书里没有给出任何一个关于 token 预算、调用次数上限、缓存复用的讨论。对于一个声称"精准对接企业降本增效"的定位,这是最大的缺口——它教你怎么增效,没教你怎么降本,而后者才是企业真正卡住的地方。

第三,版本与时效问题没有任何提示。LangGraph 这个库在 2024 到 2025 年间 API 变动极大,prebuilt 的 create_react_agent、StateGraph 的编译方式、checkpoint 的存储后端都改过。书里的代码是一份快照,但没有一处标注"本书基于哪个版本",也没有"如果你跑不通,先看这里"的排错章节。第 4 章有一节"代码运行说明与常见问题排查",算是有点良心,但只覆盖 RAG 那一章。读者照着第 9 章敲,遇到 API 变更基本只能自己搜。

第四,也是最要紧的一条:它回避了"什么时候不该用图"。1.4.4 节明明写了"割鸡用牛刀"这个判断,但整本书没有回头用它。一个只有三步固定流程的场景、一个主要靠模型自由发挥的场景、一个对延迟极敏感的场景——这三种情况都不该上 LangGraph,书里没有一处提醒。结果是:读者学完之后,会本能地把所有 Agent 都画成图,然后为一张只有三个节点的图,背上状态管理、Checkpointer、编译期的全部复杂度。

还有一处技术细节,属于吹毛求疵但值得记一笔:p0083 到 p0086 连续四屏是空白,p0107、p0217、p0240、p0311 也是。我核对过,不是抓取脚本的问题,是这几处代码块在阅读器里本来就没画出来。也就是说,这本书最核心的几段代码——RAG 检索 Agent 的主流程——在我这次阅读里是缺失的。这不是作者的责任,但它提醒一件事:技术书在阅读器里读,代码块是最容易丢的部分,真要照着做,还是得回到能复制粘贴的版本。

一句话:这本书把 LangGraph 的骨架讲清楚了,把状态管理和断点续跑这两件真正决定能不能上生产的事讲明白了,也在 1.4 节难得地承认了自家框架的边界;但它始终没敢碰成本和失败这两个词,于是全书读完,你会画图、会写节点、会接工具,却仍然不知道一个真实项目该在什么地方停下来——而那个地方,恰恰是 0.8 这个阈值背后没人替你算的那笔账。

LangGraph开发AI Agent实践 — 把流程画死,才有得控 知识图谱
知识图谱:把流程画死,才有得控|框架定位 · 三根支柱 · 四个项目 · 我的判断
阅读记录:《LangGraph开发AI Agent实践》,邓立国、周驰岷、邓淇文著。微信读书逐页翻阅 p0001–p0544,共 544 屏,72 个章节条目全部覆盖,从版权页读到第 12 章小结,抓取标记 reached_end=True、complete=True(书尾页)。p0083–p0086、p0107、p0217、p0240、p0311、p0313、p0314 共 10 屏为空白页(代码块未渲染),已在正文说明。引句页码为本次截图编号,与纸书页码无关;文中标"我的判断""我认为"处为个人评论,其余引号内文字均可在对应截图逐字核对。
关于作者 · 江天(楠哥)
AI 实战导师 / 企业 AI 落地顾问 / 智能体工程师,17 年跨界、15,000+ 小时 AI 实操、20+ 套已交付工作流。