文章介绍了LangChain的最新实践——使用LangGraph构建对话和多步骤推理流程。LangGraph的核心在于其“节点-边”的图结构，能够可视化和管理复杂的逻辑流。通过将LangGraph的StateGraph与LangChain的Runnable结合，可以实现灵活的记忆管理、多模型协作和高可扩展性。StateGraph负责流程编排，而Runnable则负责具体的执行单元，如LLM调用、工具使用等。这种组合方式为开发复杂的AI应用提供了强大而易于维护的解决方案。

💡 **LangGraph的优势与推荐原因**：LangGraph被推荐为构建记忆组件的最新实践，其核心优势在于提供灵活的记忆管理，允许在图的任意节点读写和更新记忆（如用户历史、上下文、外部知识等）。同时，它以图结构可视化对话流程，逻辑清晰易于维护和扩展，并支持多模型协作，可以在不同节点调用不同的LLM、工具或API，高度适应从简单对话到复杂多轮推理等多种场景。

🏗️ **LangGraph的基本原理与构成**：LangGraph的核心概念包括“节点”和“边”。节点可以代表一个LLM调用、工具调用、记忆操作或其他具体任务，而边则定义了节点之间的流转逻辑和条件，例如根据用户输入进行分流。记忆（Memory）作为状态的一部分，可以在节点之间传递和更新，支持短期和长期记忆的存储与检索，是实现连贯对话的关键。

🔗 **StateGraph与Runnable的结合使用**：文章强调，将LangGraph的StateGraph与LangChain的Runnable结合是构建复杂对话系统和多步骤推理流程的主流方式。StateGraph负责整体流程的“编排”，定义了任务的执行顺序和逻辑分支；而Runnable作为LangChain 2.0的核心抽象，代表“可运行的单元”，负责具体的执行，如LLM调用、链式处理、工具使用等，并提供统一的`.invoke()`、`.stream()`等接口，便于组合和管理。

🔄 **数据流转与记忆机制**：在LangGraph的运行机制中，数据以“state”（通常是字典形式）在节点间流转，每个节点的输出自动作为下一个节点的输入。Runnable的`.invoke(input)`方法接收state并返回新的state。记忆对象可以作为state的一部分在节点间传递，或者直接在节点函数中操作全局记忆，从而实现对话状态的持久化和上下文的有效利用。

LangChain组件

LangChain的组件可能旧了, 目前官方的最新实践应该是使用LangGraph, 去做记忆组件

为什么推荐用 LangGraph 做记忆？

灵活的记忆管理：可以在图的任意节点读写、更新记忆（如用户历史、上下文、外部知识等）。流程可视化：对话流程以图结构展现，逻辑清晰，易于维护和扩展。多模型协作：支持在不同节点调用不同的 LLM、工具或 API，适合复杂任务分解。高可扩展性：适合从简单对话到复杂多轮推理、任务分解等多种场景。

基本原理

节点（Node） ：每个节点可以是一个 LLM 调用、工具调用、记忆操作等。边（Edge） ：定义节点之间的流转条件（如根据用户输入内容分流）。记忆（Memory） ：可以在节点间传递和更新，支持短期和长期记忆。

 基本用法示例（Python）

from langgraph.graph import StateGraph, END from langchain.memory import ConversationBufferMemory from langchain.llms import OpenAI # 1. 定义记忆 memory = ConversationBufferMemory() # 2. 定义节点 def greet_node(state):     return "你好，有什么可以帮您？"     def answer_node(state):     # 这里可以调用 LLM，结合记忆     user_input = state["input"]     history = memory.load_memory_variables({})     # 伪代码：调用 LLM     response = f"你刚才说：{user_input}，历史对话：{history}"     memory.save_context({"input": user_input}, {"output": response})     return response     # 3. 构建图 graph = StateGraph() graph.add_node("greet", greet_node) graph.add_node("answer", answer_node) graph.add_edge("greet", "answer") graph.add_edge("answer", END) graph.set_entry_point("greet") # 4. 运行 result = graph.run({"input": "请帮我查下天气"}) print(result)

Runnable

LangGraph 的 StateGraph 和 LangChain 的 Runnable 结合使用, 是目前构建复杂对话系统和多步骤推理流程的主流方式之一

StateGraph（LangGraph）

用“节点-边”方式描述对话/推理流程。每个节点可以是一个函数、一个 LLM 调用、一个工具调用，甚至是一个复杂的子流程。节点之间通过“边”连接，数据（state）在节点间流转。

Runnable（LangChain）

Runnable 是 LangChain 2.0 之后的核心抽象，代表“可运行的单元”。可以是 LLM、链、工具、函数、管道等。支持 .invoke(input)、.stream(input)、.batch(inputs) 等统一接口。可以组合（如 RunnableSequence、RunnableParallel）形成复杂流程

代码

from langchain.schema.runnable import RunnableSequence def add_prefix(state):     return {"input": "前缀：" + state["input"]} def add_suffix(state):     return {"output": state["input"] + "：后缀"} node = RunnableSequence([ RunnableLambda(add_prefix), RunnableLambda(add_suffix) ]) graph = StateGraph() graph.add_node("combo", node) graph.add_edge("combo", END) graph.set_entry_point("combo") result = graph.run({"input": "内容"}) print(result)

数据流转机制

state：每个节点的输入和输出都是 state（通常是 dict），LangGraph 自动把上一个节点的输出作为下一个节点的输入。runnable：每个 Runnable 的 .invoke(input) 接收 state，返回新的 state。记忆：可以在 state 里传递 memory 对象，或者在节点里直接操作全局 memory。

总结

StateGraph 负责“流程编排”，Runnable 负责“具体执行”。节点可以直接用 Runnable，也可以在节点函数里用 Runnable。数据（state）在节点间自动流转，节点只需关心输入和输出。