LangGraph 实战笔记：用 AI 发起流程应用

📒 LangGraph 实战笔记：用 AI 发起流程应用

一句话总结：LangGraph 让 AI 从“直线思维”变成“闭环思维”，是实现复杂、可循环、人机协同工作流的首选工具。

目录

• 一、核心概念（无代码版）
• 二、LangGraph vs LangChain vs K2 三方对比
• 三、需求拆解：AI 发起考勤流程
• 四、为什么这个场景必须用 LangGraph？
• 五、关键实现要点（无代码版）
• 六、生活化类比总结
• 七、选型决策指南
• 八、总结与下一步建议

一、核心概念（无代码版）

二、LangGraph vs LangChain vs K2 三方对比

三者核心区别

LangChain 和 LangGraph 的关系

┌─────────────────────────────────────────────────────────────┐
│                                                             │
│   LangChain              LangGraph                          │
│   ┌─────────┐           ┌─────────────────────────┐         │
│   │  LLM    │           │  ┌─────┐  ┌─────┐       │         │
│   │  调用   │    →      │  │节点 │→ │节点 │  ...  │         │
│   │  工具   │           │  └─────┘  └─────┘       │         │
│   │  记忆   │           │       ↖       ↙         │         │
│   └─────────┘           │        循环/条件         │         │
│                         └─────────────────────────┘         │
│                                                             │
│   基础组件库              基于 LangChain 的编排层             │
│   (砖头、水泥)            (用砖头盖成的房子)                  │
│                                                             │
└─────────────────────────────────────────────────────────────┘

关键理解：

• LangGraph 不是替代 LangChain，而是构建在 LangChain 之上
• LangChain 提供「能力」——调用 LLM、工具、记忆
• LangGraph 提供「编排」——如何组织这些能力的执行顺序

三、需求拆解：AI 发起考勤流程

需求描述

用户说“我想发起考勤”
↓
AI 返回表单结构
↓
用户填写数据
↓
AI 校验数据 ──┬── 通过 → 发起流程
│
└── 不通过 → 返回让用户重填（可循环）

完整流程架构图

┌─────────────────────────────────────────────────────────────────┐
│                      LangGraph 工作流全景图                      │
│                                                                 │
│   ┌─────────┐    ┌─────────┐    ┌─────────┐                    │
│   │ 意图识别 │───→│ 生成表单 │───→│ 用户填写 │                    │
│   │  Node   │    │  Node   │    │ (人工)  │                    │
│   └─────────┘    └─────────┘    └────┬────┘                    │
│                                      │                          │
│                                      ▼                          │
│   ┌─────────┐    ┌─────────┐    ┌─────────┐                    │
│   │ 发起流程 │←───│ 校验通过？│←───│ AI 校验  │                    │
│   │  Node   │    │  条件   │    │  Node   │                    │
│   └─────────┘    └────┬────┘    └─────────┘                    │
│                       │                                         │
│         ┌─────────────┴─────────────┐                          │
│         │                           │                          │
│         ▼                           ▼                          │
│    【成功】结束                【失败】循环回去                   │
│                              (最多重试 3 次)                     │
│                                                                 │
└─────────────────────────────────────────────────────────────────┘

各节点职责说明

四、为什么这个场景必须用 LangGraph？

❌ 用 LangChain 的困境

LangChain 线性执行：

用户输入 → 识别意图 → 生成表单 → 用户填写 → 校验 → 结束
                                              │
                                              ▼
                                         校验失败？
                                         没法回去！
                                         只能重新发起整个流程

问题：

• 校验失败后无法自动循环回填写节点
• 需要自己管理状态和重试逻辑
• 代码会越来越复杂，难以维护

✅ 用 LangGraph 的优势

LangGraph 循环执行：

用户输入 → 识别意图 → 生成表单 → 用户填写 → 校验 ──┬── 通过 → 发起
                                                    │
                                                    └── 失败 → 回到填写

优势：

• ✅ 天然支持循环，校验失败自动回到填写节点
• ✅ 状态自动管理，每次循环数据不丢失
• ✅ 支持断点续传，用户可随时回来继续
• ✅ 流程可视化，调试和维护更简单

五、关键实现要点（无代码版）

🔑 1. 防止无限循环

┌─────────────────────────────────────────┐
│          循环控制策略                    │
├─────────────────────────────────────────┤
│  设置最大重试次数（建议 3-5 次）          │
│  超过次数 → 转人工处理                   │
│  每次循环记录重试计数                    │
└─────────────────────────────────────────┘

🔑 2. 状态持久化（断点续传）

┌─────────────────────────────────────────┐
│          状态保存机制                    │
├─────────────────────────────────────────┤
│  每个节点执行后自动存档                  │
│  用户关闭页面后再回来，进度不丢失        │
│  通过线程 ID 关联同一用户的会话          │
└─────────────────────────────────────────┘

🔑 3. 人机交互（等待用户填写）

┌─────────────────────────────────────────┐
│          人工介入节点                    │
├─────────────────────────────────────────┤
│  流程在填写节点暂停                      │
│  用户通过前端界面提交数据                │
│  系统接收后继续执行后续节点              │
└─────────────────────────────────────────┘

🔑 4. 流式反馈（实时显示结果）

┌─────────────────────────────────────────┐
│          实时反馈机制                    │
├─────────────────────────────────────────┤
│  不用等全部完成才返回                    │
│  每执行一个节点就返回进度                │
│  用户能看到校验反馈，体验更好            │
└─────────────────────────────────────────┘

六、生活化类比总结

七、选型决策指南

八、总结与下一步建议

核心收获

• LangGraph = LangChain 的能力 + 工作流的编排 + AI 的动态决策
• LangGraph 不是替代 LangChain，而是它的编排层
• 有循环需求的 AI 任务，LangGraph 是首选
• 状态管理是核心，不用自己存，框架自动处理
• 人机交互是亮点，支持中断、恢复、转人工

维度结论

下一步建议

1. 先跑通最小 Demo（识别→校验→提交）
2. 添加状态持久化（支持断点续传）
3. 对接 OA 系统 API（正式发起流程）
4. 完善前端交互（流式反馈、重试提示）

笔记整理完成 📝 概念清晰、架构完整、对比明确，可直接用于技术方案评审！