Documentation Index
Fetch the complete documentation index at: https://langchain-zh.cn/llms.txt
Use this file to discover all available pages before exploring further.
在自定义工作流架构中，你可以使用 LangGraph 定义自己的定制化执行流程。你可以完全控制图结构——包括顺序步骤、条件分支、循环和并行执行。
主要特点
- 完全控制图结构
- 混合确定性逻辑与智能体行为
- 支持顺序步骤、条件分支、循环和并行执行
- 可将其他模式作为节点嵌入工作流中
使用场景
当标准模式（子智能体、技能等）不符合你的需求时，当你需要混合确定性逻辑与智能体行为时，或者你的用例需要复杂路由或多阶段处理时，请使用自定义工作流。
工作流中的每个节点可以是一个简单函数、一个LLM调用，或是一个完整的带有工具的智能体。你也可以在自定义工作流中组合其他架构——例如，将多智能体系统作为单个节点嵌入。
有关自定义工作流的完整示例，请参阅下面的教程。
教程：构建具有路由功能的多源知识库
路由模式是自定义工作流的一个示例。本教程将逐步指导你构建一个并行查询GitHub、Notion和Slack，然后综合结果的路由器。 基础实现
核心思路是，你可以在任何LangGraph节点中直接调用LangChain智能体，从而将自定义工作流的灵活性与预构建智能体的便利性结合起来：
from langchain.agents import create_agent
from langgraph.graph import StateGraph, START, END
agent = create_agent(model="openai:gpt-4.1", tools=[...])
def agent_node(state: State) -> dict:
"""一个调用LangChain智能体的LangGraph节点。"""
result = agent.invoke({
"messages": [{"role": "user", "content": state["query"]}]
})
return {"answer": result["messages"][-1].content}
# 构建一个简单的工作流
workflow = (
StateGraph(State)
.add_node("agent", agent_node)
.add_edge(START, "agent")
.add_edge("agent", END)
.compile()
)
示例：RAG管道
一个常见的用例是将检索与智能体结合。这个示例构建了一个WNBA数据助手，它可以从知识库中检索信息，并能获取实时新闻。
该工作流展示了三种类型的节点：
- 模型节点（重写）：使用结构化输出重写用户查询以优化检索。
- 确定性节点（检索）：执行向量相似性搜索——不涉及LLM。
- 智能体节点（智能体）：基于检索到的上下文进行推理，并能通过工具获取额外信息。
你可以使用LangGraph状态在工作流步骤之间传递信息。这允许工作流的每个部分读取和更新结构化字段，从而轻松地在节点之间共享数据和上下文。
from typing import TypedDict
from pydantic import BaseModel
from langgraph.graph import StateGraph, START, END
from langchain.agents import create_agent
from langchain.tools import tool
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_core.vectorstores import InMemoryVectorStore
class State(TypedDict):
question: str
rewritten_query: str
documents: list[str]
answer: str
# 包含阵容、比赛结果和球员数据的WNBA知识库
embeddings = OpenAIEmbeddings()
vector_store = InMemoryVectorStore(embeddings)
vector_store.add_texts([
# 阵容
"New York Liberty 2024 roster: Breanna Stewart, Sabrina Ionescu, Jonquel Jones, Courtney Vandersloot.",
"Las Vegas Aces 2024 roster: A'ja Wilson, Kelsey Plum, Jackie Young, Chelsea Gray.",
"Indiana Fever 2024 roster: Caitlin Clark, Aliyah Boston, Kelsey Mitchell, NaLyssa Smith.",
# 比赛结果
"2024 WNBA Finals: New York Liberty defeated Minnesota Lynx 3-2 to win the championship.",
"June 15, 2024: Indiana Fever 85, Chicago Sky 79. Caitlin Clark had 23 points and 8 assists.",
"August 20, 2024: Las Vegas Aces 92, Phoenix Mercury 84. A'ja Wilson scored 35 points.",
# 球员数据
"A'ja Wilson 2024 season stats: 26.9 PPG, 11.9 RPG, 2.6 BPG. Won MVP award.",
"Caitlin Clark 2024 rookie stats: 19.2 PPG, 8.4 APG, 5.7 RPG. Won Rookie of the Year.",
"Breanna Stewart 2024 stats: 20.4 PPG, 8.5 RPG, 3.5 APG.",
])
retriever = vector_store.as_retriever(search_kwargs={"k": 5})
@tool
def get_latest_news(query: str) -> str:
"""获取最新的WNBA新闻和更新。"""
# 你的新闻API在这里
return "Latest: The WNBA announced expanded playoff format for 2025..."
agent = create_agent(
model="openai:gpt-4.1",
tools=[get_latest_news],
)
model = ChatOpenAI(model="gpt-4.1")
class RewrittenQuery(BaseModel):
query: str
def rewrite_query(state: State) -> dict:
"""重写用户查询以优化检索。"""
system_prompt = """重写此查询以检索相关的WNBA信息。
知识库包含：球队阵容、带比分的比赛结果和球员统计数据（PPG、RPG、APG）。
重点关注提到的具体球员姓名、球队名称或统计类别。"""
response = model.with_structured_output(RewrittenQuery).invoke([
{"role": "system", "content": system_prompt},
{"role": "user", "content": state["question"]}
])
return {"rewritten_query": response.query}
def retrieve(state: State) -> dict:
"""基于重写后的查询检索文档。"""
docs = retriever.invoke(state["rewritten_query"])
return {"documents": [doc.page_content for doc in docs]}
def call_agent(state: State) -> dict:
"""使用检索到的上下文生成答案。"""
context = "\n\n".join(state["documents"])
prompt = f"Context:\n{context}\n\nQuestion: {state['question']}"
response = agent.invoke({"messages": [{"role": "user", "content": prompt}]})
return {"answer": response["messages"][-1].content_blocks}
workflow = (
StateGraph(State)
.add_node("rewrite", rewrite_query)
.add_node("retrieve", retrieve)
.add_node("agent", call_agent)
.add_edge(START, "rewrite")
.add_edge("rewrite", "retrieve")
.add_edge("retrieve", "agent")
.add_edge("agent", END)
.compile()
)
result = workflow.invoke({"question": "Who won the 2024 WNBA Championship?"})
print(result["answer"])
