子图

本指南解释使用子图的机制。子图是用作另一个图中 节点 的 图。

子图适用于：

• 构建 多智能体系统
• 在多个图中重用一组节点
• 分配开发工作：当你希望不同团队独立处理图的不同部分时，你可以将每个部分定义为子图，只要遵守子图接口（输入和输出模式），父图就可以在不了解子图任何细节的情况下构建

设置

pip

pip install -U langgraph

uv add langgraph

为 LangGraph 开发设置 LangSmith 注册 LangSmith 以快速发现问题并提高 LangGraph 项目的性能。LangSmith 让你能够使用跟踪数据来调试、测试和监控使用 LangGraph 构建的 LLM 应用——阅读更多关于 如何开始使用 LangSmith 的信息。

定义子图通信

添加子图时，你需要定义父图和子图之间如何通信：

模式	何时使用	状态模式
在节点内调用子图	父图和子图具有不同的状态模式（没有共享键），或者你需要在它们之间转换状态	你编写一个包装函数，将父图状态映射到子图输入，并将子图输出映射回父图状态
将子图添加为节点	父图和子图共享状态键——子图从与父图相同的通道读取和写入	你将编译后的子图直接传递给 add_node——不需要包装函数

在节点内调用子图

当父图和子图具有不同的状态模式（没有共享键）时，在节点函数中调用子图。这在你想为 多智能体 系统中的每个代理保留私有消息历史时很常见。

节点函数在调用子图之前将父图状态转换为子图状态，并在返回之前将结果转换回父图状态。

from typing_extensions import TypedDict
from langgraph.graph.state import StateGraph, START

class SubgraphState(TypedDict):
    bar: str

# 子图

def subgraph_node_1(state: SubgraphState):
    return {"bar": "hi! " + state["bar"]}

subgraph_builder = StateGraph(SubgraphState)
subgraph_builder.add_node(subgraph_node_1)
subgraph_builder.add_edge(START, "subgraph_node_1")
subgraph = subgraph_builder.compile()

# 父图

class State(TypedDict):
    foo: str

def call_subgraph(state: State):
    # 将状态转换为子图状态
    subgraph_output = subgraph.invoke({"bar": state["foo"]})
    # 将响应转换回父图状态
    return {"foo": subgraph_output["bar"]}

builder = StateGraph(State)
builder.add_node("node_1", call_subgraph)
builder.add_edge(START, "node_1")
graph = builder.compile()

完整示例：不同的状态模式

from typing_extensions import TypedDict
from langgraph.graph.state import StateGraph, START

# 定义子图
class SubgraphState(TypedDict):
    # 注意这些键都没有与父图状态共享
    bar: str
    baz: str

def subgraph_node_1(state: SubgraphState):
    return {"baz": "baz"}

def subgraph_node_2(state: SubgraphState):
    return {"bar": state["bar"] + state["baz"]}

subgraph_builder = StateGraph(SubgraphState)
subgraph_builder.add_node(subgraph_node_1)
subgraph_builder.add_node(subgraph_node_2)
subgraph_builder.add_edge(START, "subgraph_node_1")
subgraph_builder.add_edge("subgraph_node_1", "subgraph_node_2")
subgraph = subgraph_builder.compile()

# 定义父图
class ParentState(TypedDict):
    foo: str

def node_1(state: ParentState):
    return {"foo": "hi! " + state["foo"]}

def node_2(state: ParentState):
    # 将状态转换为子图状态
    response = subgraph.invoke({"bar": state["foo"]})
    # 将响应转换回父图状态
    return {"foo": response["bar"]}


builder = StateGraph(ParentState)
builder.add_node("node_1", node_1)
builder.add_node("node_2", node_2)
builder.add_edge(START, "node_1")
builder.add_edge("node_1", "node_2")
graph = builder.compile()

for chunk in graph.stream({"foo": "foo"}, subgraphs=True, version="v2"):
    if chunk["type"] == "updates":
        print(chunk["ns"], chunk["data"])

() {'node_1': {'foo': 'hi! foo'}}
('node_2:577b710b-64ae-31fb-9455-6a4d4cc2b0b9',) {'subgraph_node_1': {'baz': 'baz'}}
('node_2:577b710b-64ae-31fb-9455-6a4d4cc2b0b9',) {'subgraph_node_2': {'bar': 'hi! foobaz'}}
() {'node_2': {'foo': 'hi! foobaz'}}

完整示例：不同的状态模式（两层子图）

这是一个包含两层子图的示例：父图 -> 子图 -> 孙图。

# 孙图
from typing_extensions import TypedDict
from langgraph.graph.state import StateGraph, START, END

class GrandChildState(TypedDict):
    my_grandchild_key: str

def grandchild_1(state: GrandChildState) -> GrandChildState:
    # 注意：这里无法访问子图或父图键
    return {"my_grandchild_key": state["my_grandchild_key"] + ", how are you"}


grandchild = StateGraph(GrandChildState)
grandchild.add_node("grandchild_1", grandchild_1)

grandchild.add_edge(START, "grandchild_1")
grandchild.add_edge("grandchild_1", END)

grandchild_graph = grandchild.compile()

# 子图
class ChildState(TypedDict):
    my_child_key: str

def call_grandchild_graph(state: ChildState) -> ChildState:
    # 注意：这里无法访问父图或孙图键
    grandchild_graph_input = {"my_grandchild_key": state["my_child_key"]}
    grandchild_graph_output = grandchild_graph.invoke(grandchild_graph_input)
    return {"my_child_key": grandchild_graph_output["my_grandchild_key"] + " today?"}

child = StateGraph(ChildState)
# 我们在这里传递一个函数，而不仅仅是编译后的图 (`grandchild_graph`)
child.add_node("child_1", call_grandchild_graph)
child.add_edge(START, "child_1")
child.add_edge("child_1", END)
child_graph = child.compile()

# 父图
class ParentState(TypedDict):
    my_key: str

def parent_1(state: ParentState) -> ParentState:
    # 注意：这里无法访问子图或孙图键
    return {"my_key": "hi " + state["my_key"]}

def parent_2(state: ParentState) -> ParentState:
    return {"my_key": state["my_key"] + " bye!"}

def call_child_graph(state: ParentState) -> ParentState:
    child_graph_input = {"my_child_key": state["my_key"]}
    child_graph_output = child_graph.invoke(child_graph_input)
    return {"my_key": child_graph_output["my_child_key"]}

parent = StateGraph(ParentState)
parent.add_node("parent_1", parent_1)
# 我们在这里传递一个函数，而不仅仅是编译后的图 (`child_graph`)
parent.add_node("child", call_child_graph)
parent.add_node("parent_2", parent_2)

parent.add_edge(START, "parent_1")
parent.add_edge("parent_1", "child")
parent.add_edge("child", "parent_2")
parent.add_edge("parent_2", END)

parent_graph = parent.compile()

for chunk in parent_graph.stream({"my_key": "Bob"}, subgraphs=True, version="v2"):
    if chunk["type"] == "updates":
        print(chunk["ns"], chunk["data"])

() {'parent_1': {'my_key': 'hi Bob'}}
('child:2e26e9ce-602f-862c-aa66-1ea5a4655e3b', 'child_1:781bb3b1-3971-84ce-810b-acf819a03f9c') {'grandchild_1': {'my_grandchild_key': 'hi Bob, how are you'}}
('child:2e26e9ce-602f-862c-aa66-1ea5a4655e3b',) {'child_1': {'my_child_key': 'hi Bob, how are you today?'}}
() {'child': {'my_key': 'hi Bob, how are you today?'}}
() {'parent_2': {'my_key': 'hi Bob, how are you today? bye!'}}

将子图添加为节点

当父图和子图共享状态键时，你可以直接将编译后的子图传递给 add_node。不需要包装函数——子图会自动从父图的状态通道读取和写入。例如，在 多智能体 系统中，代理通常通过共享的 messages 键进行通信。

如果你的子图与父图共享状态键，可以按照以下步骤将其添加到你的图中：

1. 定义子图工作流（下面的示例中的 subgraph_builder）并编译它
2. 在定义父图工作流时，将编译后的子图传递给 [add_node] 方法

from typing_extensions import TypedDict
from langgraph.graph.state import StateGraph, START

class State(TypedDict):
    foo: str

# 子图

def subgraph_node_1(state: State):
    return {"foo": "hi! " + state["foo"]}

subgraph_builder = StateGraph(State)
subgraph_builder.add_node(subgraph_node_1)
subgraph_builder.add_edge(START, "subgraph_node_1")
subgraph = subgraph_builder.compile()

# 父图

builder = StateGraph(State)
builder.add_node("node_1", subgraph)
builder.add_edge(START, "node_1")
graph = builder.compile()

完整示例：共享状态模式

from typing_extensions import TypedDict
from langgraph.graph.state import StateGraph, START

# 定义子图
class SubgraphState(TypedDict):
    foo: str  # 与父图状态共享
    bar: str  # 仅对 SubgraphState 私有

def subgraph_node_1(state: SubgraphState):
    return {"bar": "bar"}

def subgraph_node_2(state: SubgraphState):
    # 注意此节点正在使用仅在子图中可用的状态键 ('bar')
    # 并且正在更新共享状态键 ('foo')
    return {"foo": state["foo"] + state["bar"]}

subgraph_builder = StateGraph(SubgraphState)
subgraph_builder.add_node(subgraph_node_1)
subgraph_builder.add_node(subgraph_node_2)
subgraph_builder.add_edge(START, "subgraph_node_1")
subgraph_builder.add_edge("subgraph_node_1", "subgraph_node_2")
subgraph = subgraph_builder.compile()

# 定义父图
class ParentState(TypedDict):
    foo: str

def node_1(state: ParentState):
    return {"foo": "hi! " + state["foo"]}

builder = StateGraph(ParentState)
builder.add_node("node_1", node_1)
builder.add_node("node_2", subgraph)
builder.add_edge(START, "node_1")
builder.add_edge("node_1", "node_2")
graph = builder.compile()

for chunk in graph.stream({"foo": "foo"}, version="v2"):
    if chunk["type"] == "updates":
        print(chunk["data"])

{'node_1': {'foo': 'hi! foo'}}
{'node_2': {'foo': 'hi! foobar'}}

子图持久性

使用子图时，你需要决定其内部数据在调用之间如何处理。考虑一个委托给专家子代理的客户支持机器人：“billing expert” 子代理应该记住客户之前的问题，还是每次被调用时重新开始？

.compile() 上的 checkpointer 参数控制子图持久性：

模式	checkpointer=	行为
每次调用	None（默认）	每次调用都重新开始，并继承父图的检查点器以支持单次调用内的 中断 和 持久执行。
每个线程	True	状态在同一线程的调用之间累积。每次调用从上一次结束的地方继续。
无状态	False	完全不进行检查点——像普通函数调用一样运行。不支持中断或持久执行。

每次调用是最适合大多数应用程序的选择，包括 多智能体 系统，其中子代理处理独立的请求。当子代理需要多轮对话记忆时（例如，在几次交互中建立上下文的助理），请使用每个线程。

父图必须使用检查点器编译，以便子图持久性功能（中断、状态检查、每个线程的记忆）正常工作。请参阅 持久性。

下面的示例使用 LangChain 的 create_agent，这是构建代理的常用方式。create_agent 在底层生成一个 LangGraph 图，因此所有子图持久性概念都直接适用。如果你使用原始 LangGraph StateGraph 构建，则应用相同的模式和配置选项——有关详细信息，请参阅 图 API。

有状态

有状态子图继承父图的检查点器，这启用了 中断、持久执行 和状态检查。两种有状态模式的区别在于状态保留的时间长度。

每次调用（默认）

这是推荐的大多数应用程序的模式，包括 多智能体 系统，其中子代理作为工具被调用。它支持中断、持久执行 和并行调用，同时保持每次调用的隔离。

当每次对子图的调用都是独立的，且子代理不需要记住之前调用的任何内容时，使用每次调用持久性。这是最常见的模式，特别是对于 多智能体 系统，其中子代理处理一次性请求，如“查找此客户的订单”或“总结此文档”。

省略 checkpointer 或将其设置为 None。每次调用都重新开始，但在单次调用内，子图继承父图的检查点器，并可以使用 interrupt() 暂停和恢复。

以下示例使用两个子代理（水果专家、蔬菜专家）作为外部代理的工具进行包装：

from langchain.agents import create_agent
from langchain.tools import tool
from langgraph.checkpoint.memory import MemorySaver
from langgraph.types import Command, interrupt

@tool
def fruit_info(fruit_name: str) -> str:
    """查找水果信息。"""
    return f"关于 {fruit_name} 的信息"

@tool
def veggie_info(veggie_name: str) -> str:
    """查找蔬菜信息。"""
    return f"关于 {veggie_name} 的信息"

# 子代理 - 没有设置 checkpointer（继承父级）
fruit_agent = create_agent(
    model="gpt-4.1-mini",
    tools=[fruit_info],
    prompt="你是一个水果专家。使用 fruit_info 工具。用一句话回答。",
)

veggie_agent = create_agent(
    model="gpt-4.1-mini",
    tools=[veggie_info],
    prompt="你是一个蔬菜专家。使用 veggie_info 工具。用一句话回答。",
)

# 将子代理包装为外部代理的工具
@tool
def ask_fruit_expert(question: str) -> str:
    """询问水果专家。用于所有水果问题。"""
    response = fruit_agent.invoke(
        {"messages": [{"role": "user", "content": question}]},
    )
    return response["messages"][-1].content

@tool
def ask_veggie_expert(question: str) -> str:
    """询问蔬菜专家。用于所有蔬菜问题。"""
    response = veggie_agent.invoke(
        {"messages": [{"role": "user", "content": question}]},
    )
    return response["messages"][-1].content

# 带有检查点器的外部代理
agent = create_agent(
    model="gpt-4.1-mini",
    tools=[ask_fruit_expert, ask_veggie_expert],
    prompt=(
        "你有两个专家：ask_fruit_expert 和 ask_veggie_expert。"
        "始终将问题委托给适当的专家。"
    ),
    checkpointer=MemorySaver(),
)

中断

每次调用都可以使用 interrupt() 暂停和恢复。向工具函数添加 interrupt() 以在执行前要求用户批准：

@tool
def fruit_info(fruit_name: str) -> str:
    """查找水果信息。"""
    interrupt("继续？")
    return f"关于 {fruit_name} 的信息"

config = {"configurable": {"thread_id": "1"}}

# 调用 - 子代理的工具调用 interrupt()
response = agent.invoke(
    {"messages": [{"role": "user", "content": "告诉我关于苹果的事"}]},
    config=config,
)
# response 包含 __interrupt__

# 恢复 - 批准中断
response = agent.invoke(Command(resume=True), config=config)
# 子代理消息数：4

多轮对话

每次调用都以新的子代理状态开始。子代理不记得之前的调用：

config = {"configurable": {"thread_id": "1"}}

# 第一次调用
response = agent.invoke(
    {"messages": [{"role": "user", "content": "告诉我关于苹果的事"}]},
    config=config,
)
# 子代理消息数：4

# 第二次调用 - 子代理重新开始，不记得苹果
response = agent.invoke(
    {"messages": [{"role": "user", "content": "现在告诉我关于香蕉的事"}]},
    config=config,
)
# 子代理消息数：4（仍然是新的！）

多次子图调用

对同一子图的多次调用可以无冲突地工作，因为每次调用都有自己独立的检查点命名空间：

config = {"configurable": {"thread_id": "1"}}

# LLM 为苹果和香蕉都调用 ask_fruit_expert
response = agent.invoke(
    {"messages": [{"role": "user", "content": "告诉我关于苹果和香蕉的事"}]},
    config=config,
)
# 子代理消息数：4（苹果 - 新的）
# 子代理消息数：4（香蕉 - 新的）

每个线程

当子代理需要记住之前的交互时，使用每个线程持久性。例如，在几次交互中建立上下文的研究助理，或跟踪已编辑文件的编码助理。子代理的对话历史和数据在同一线程的调用之间累积。每次调用从上一次结束的地方继续。

使用 checkpointer=True 编译以启用此行为。

每个线程的子图不支持并行工具调用。当 LLM 可以将每个线程的子代理作为工具访问时，它可能会尝试并行多次调用该工具（例如，同时询问水果专家关于苹果和香蕉的事）。这会导致检查点冲突，因为两个调用都写入同一个命名空间。

下面的示例使用 LangChain 的 ToolCallLimitMiddleware 来防止这种情况。如果你使用纯 LangGraph StateGraph 构建，则需要自己防止并行工具调用——例如，通过配置模型禁用并行工具调用，或通过添加逻辑确保不会在并行中多次调用同一子图。

以下示例使用使用 checkpointer=True 编译的水果专家子代理：

from langchain.agents import create_agent
from langchain.agents.middleware import ToolCallLimitMiddleware
from langchain.tools import tool
from langgraph.checkpoint.memory import MemorySaver
from langgraph.types import Command, interrupt

@tool
def fruit_info(fruit_name: str) -> str:
    """查找水果信息。"""
    return f"关于 {fruit_name} 的信息"

# 带有 checkpointer=True 的子代理，用于持久状态
fruit_agent = create_agent(
    model="gpt-4.1-mini",
    tools=[fruit_info],
    prompt="你是一个水果专家。使用 fruit_info 工具。用一句话回答。",
    checkpointer=True,
)

# 将子代理包装为外部代理的工具
@tool
def ask_fruit_expert(question: str) -> str:
    """询问水果专家。用于所有水果问题。"""
    response = fruit_agent.invoke(
        {"messages": [{"role": "user", "content": question}]},
    )
    return response["messages"][-1].content

# 带有检查点器的外部代理
# 使用 ToolCallLimitMiddleware 防止对每个线程的子代理进行并行调用，
# 否则会导致检查点冲突。
agent = create_agent(
    model="gpt-4.1-mini",
    tools=[ask_fruit_expert],
    prompt="你有一个水果专家。始终将水果问题委托给 ask_fruit_expert。",
    middleware=[
        ToolCallLimitMiddleware(tool_name="ask_fruit_expert", run_limit=1),
    ],
    checkpointer=MemorySaver(),
)

中断

每个线程的子代理支持 interrupt()，就像每次调用一样。向工具函数添加 interrupt() 以要求用户批准：

@tool
def fruit_info(fruit_name: str) -> str:
    """查找水果信息。"""
    interrupt("继续？")
    return f"关于 {fruit_name} 的信息"

config = {"configurable": {"thread_id": "1"}}

# Invoke - the subagent's tool calls interrupt()
response = agent.invoke(
    {"messages": [{"role": "user", "content": "Tell me about apples"}]},
    config=config,
)
# response contains __interrupt__

# Resume - approve the interrupt
response = agent.invoke(Command(resume=True), config=config)
# Subagent message count: 4

多轮对话

状态在调用之间累积——子代理记得过去的对话：

config = {"configurable": {"thread_id": "1"}}

# First call
response = agent.invoke(
    {"messages": [{"role": "user", "content": "Tell me about apples"}]},
    config=config,
)
# Subagent message count: 4

# Second call - subagent REMEMBERS apples conversation
response = agent.invoke(
    {"messages": [{"role": "user", "content": "Now tell me about bananas"}]},
    config=config,
)
# Subagent message count: 8 (accumulated!)

多次子图调用

当你有多个不同的每个线程子图（例如，水果专家和蔬菜专家）时，每个都需要自己的存储空间，这样它们的检查点就不会相互覆盖。这称为命名空间隔离。

如果你在 节点内调用子图，LangGraph 根据调用顺序分配命名空间（第一次调用、第二次调用等）。这意味着重新排序调用会混淆哪个子图加载哪个状态。为了避免这种情况，将每个子代理包装在自己的 StateGraph 中，并使用唯一的节点名称——这为每个子图提供稳定、唯一的命名空间：

from langgraph.graph import MessagesState, StateGraph

def create_sub_agent(model, *, name, **kwargs):
    """Wrap an agent with a unique node name for namespace isolation."""
    agent = create_agent(model=model, name=name, **kwargs)
    return (
        StateGraph(MessagesState)
        .add_node(name, agent)  # unique name → stable namespace  #
        .add_edge("__start__", name)
        .compile()
    )

fruit_agent = create_sub_agent(
    "gpt-4.1-mini", name="fruit_agent",
    tools=[fruit_info], prompt="...", checkpointer=True,
)
veggie_agent = create_sub_agent(
    "gpt-4.1-mini", name="veggie_agent",
    tools=[veggie_info], prompt="...", checkpointer=True,
)

config = {"configurable": {"thread_id": "1"}}

# First call - LLM calls both fruit and veggie experts
response = agent.invoke(
    {"messages": [{"role": "user", "content": "Tell me about cherries and broccoli"}]},
    config=config,
)
# Fruit subagent message count: 4
# Veggie subagent message count: 4

# Second call - both agents accumulate independently
response = agent.invoke(
    {"messages": [{"role": "user", "content": "Now tell me about oranges and carrots"}]},
    config=config,
)
# Fruit subagent message count: 8 (remembers cherries!)
# Veggie subagent message count: 8 (remembers broccoli!)

作为 节点添加 的子图已经自动获得基于名称的命名空间，所以它们不需要这个包装。

无状态

当你想要像普通函数调用一样运行子代理，没有任何检查点开销时使用此选项。子图无法暂停/恢复，也不受益于 持久执行。使用 checkpointer=False 编译。

没有检查点，子图就没有持久执行。如果进程在运行中途崩溃，子图无法恢复，必须从头重新运行。

subgraph_builder = StateGraph(...)
subgraph = subgraph_builder.compile(checkpointer=False)

检查点器参考

使用 .compile() 上的 checkpointer 参数控制子图持久性：

subgraph = builder.compile(checkpointer=False)  # or True / None

功能	每次调用（默认）	每个线程	无状态
checkpointer=	None	True	False
中断 (HITL)	✅	✅	❌
多轮记忆	❌	✅	❌
多次调用（不同子图）	✅	⚠️	✅
多次调用（相同子图）	✅	❌	✅
状态检查	⚠️	✅	❌

• 中断 (HITL)：子图可以使用 interrupt() 暂停执行并等待用户输入，然后从中断处恢复。
• 多轮记忆：子图在同一个 线程 内的多次调用之间保留其状态。每次调用从上一次结束的地方继续，而不是重新开始。
• 多次调用（不同子图）：可以在单个节点内调用多个不同的子图实例，而不会发生检查点命名空间冲突。
• 多次调用（相同子图）：可以在单个节点内多次调用同一子图实例。使用有状态持久性时，这些调用写入相同的检查点命名空间并发生冲突——改用每次调用持久性。
• 状态检查：子图的状态可通过 get_state(config, subgraphs=True) 获取，用于调试和监控。

查看子图状态

当你启用 持久性 时，你可以使用 subgraphs 选项检查子图状态。使用 无状态 检查点 (checkpointer=False)，不会保存子图检查点，因此子图状态不可用。

查看子图状态需要 LangGraph 能够静态发现子图——即，它是 作为节点添加 或 在节点内调用。当子图在 工具 函数或其他间接调用（例如 子代理 模式）内调用时不起作用。无论嵌套如何，中断仍传播到顶级图。

每次调用

返回当前调用的子图状态。每次调用都重新开始。

from langgraph.graph import START, StateGraph
from langgraph.checkpoint.memory import MemorySaver
from langgraph.types import interrupt, Command
from typing_extensions import TypedDict

class State(TypedDict):
    foo: str

# 子图
def subgraph_node_1(state: State):
    value = interrupt("Provide value:")
    return {"foo": state["foo"] + value}

subgraph_builder = StateGraph(State)
subgraph_builder.add_node(subgraph_node_1)
subgraph_builder.add_edge(START, "subgraph_node_1")
subgraph = subgraph_builder.compile()  # inherits parent checkpointer

# 父图
builder = StateGraph(State)
builder.add_node("node_1", subgraph)
builder.add_edge(START, "node_1")

checkpointer = MemorySaver()
graph = builder.compile(checkpointer=checkpointer)

config = {"configurable": {"thread_id": "1"}}

graph.invoke({"foo": ""}, config)

# View subgraph state for the current invocation
subgraph_state = graph.get_state(config, subgraphs=True).tasks[0].state  

# Resume the subgraph
graph.invoke(Command(resume="bar"), config)

每个线程

返回此线程上所有调用之间的累积子图状态。

from langgraph.graph import START, StateGraph, MessagesState
from langgraph.checkpoint.memory import MemorySaver

# 带有自己持久状态的子图
subgraph_builder = StateGraph(MessagesState)
# ... add nodes and edges
subgraph = subgraph_builder.compile(checkpointer=True)

# 父图
builder = StateGraph(MessagesState)
builder.add_node("agent", subgraph)
builder.add_edge(START, "agent")

checkpointer = MemorySaver()
graph = builder.compile(checkpointer=checkpointer)

config = {"configurable": {"thread_id": "1"}}

graph.invoke({"messages": [{"role": "user", "content": "hi"}]}, config)
graph.invoke({"messages": [{"role": "user", "content": "what did I say?"}]}, config)

# View accumulated subgraph state (includes messages from both invocations)
subgraph_state = graph.get_state(config, subgraphs=True).tasks[0].state  

流式传输子图输出

要将子图的输出包含在流式输出中，你可以在父图的 stream 方法中设置 subgraphs 选项。这将流式传输来自父图和任何子图的输出。

v2 (LangGraph >= 1.1)

使用 version="v2"，子图事件使用相同的 StreamPart 格式。ns 字段标识源图：

for chunk in graph.stream(
    {"foo": "foo"},
    subgraphs=True,
    stream_mode="updates",
    version="v2",
):
    print(chunk["type"])  # "updates"
    print(chunk["ns"])    # () for root, ("node_2:<task_id>",) for subgraph
    print(chunk["data"])  # {"node_name": {"key": "value"}}

v1 (默认)

for chunk in graph.stream(
    {"foo": "foo"},
    subgraphs=True,
    stream_mode="updates",
):
    print(chunk)

从子图流式传输

from typing_extensions import TypedDict
from langgraph.graph.state import StateGraph, START

# 定义子图
class SubgraphState(TypedDict):
    foo: str
    bar: str

def subgraph_node_1(state: SubgraphState):
    return {"bar": "bar"}

def subgraph_node_2(state: SubgraphState):
    # note that this node is using a state key ('bar') that is only available in the subgraph
    # and is sending update on the shared state key ('foo')
    return {"foo": state["foo"] + state["bar"]}

subgraph_builder = StateGraph(SubgraphState)
subgraph_builder.add_node(subgraph_node_1)
subgraph_builder.add_node(subgraph_node_2)
subgraph_builder.add_edge(START, "subgraph_node_1")
subgraph_builder.add_edge("subgraph_node_1", "subgraph_node_2")
subgraph = subgraph_builder.compile()

# 定义父图
class ParentState(TypedDict):
    foo: str

def node_1(state: ParentState):
    return {"foo": "hi! " + state["foo"]}

builder = StateGraph(ParentState)
builder.add_node("node_1", node_1)
builder.add_node("node_2", subgraph)
builder.add_edge(START, "node_1")
builder.add_edge("node_1", "node_2")
graph = builder.compile()

for chunk in graph.stream(
    {"foo": "foo"},
    stream_mode="updates",
    subgraphs=True,
    version="v2",
):
    if chunk["type"] == "updates":
        print(chunk["ns"], chunk["data"])

() {'node_1': {'foo': 'hi! foo'}}
('node_2:e58e5673-a661-ebb0-70d4-e298a7fc28b7',) {'subgraph_node_1': {'bar': 'bar'}}
('node_2:e58e5673-a661-ebb0-70d4-e298a7fc28b7',) {'subgraph_node_2': {'foo': 'hi! foobar'}}
() {'node_2': {'foo': 'hi! foobar'}}

---

Edit this page on GitHub or file an issue.

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.