AI Agent学习 Day14：LangGraph进阶 —— 条件分支、Tool Node与Memory持久化

一、今日学习目标

在 Day13 中，我们学习了 LangGraph 基础：

• State（状态）

• Node（节点）

• Edge（边）

• Graph（工作流）

实现了固定流程：

用户输入

↓

Search Node

↓

Answer Node

↓

返回结果

但是实际项目中的 Agent 不会永远按照固定流程执行。

例如：

用户输入：

查询漏洞信息

可能需要：

用户

↓

分析问题

↓

查询知识库

↓

生成报告

用户输入：

计算风险评分

可能需要：

用户

↓

分析问题

↓

调用计算工具

↓

返回结果

因此今天继续学习 LangGraph 进阶能力：

• Conditional Edge（条件分支）

• Tool Node（工具节点）

• Loop Agent（循环Agent）

• Memory持久化

目标：

让 Agent 从固定流程升级为能够根据任务选择执行路径的智能工作流。

二、Conditional Edge（条件边）

1. 为什么需要条件边？

Day13中的流程：

Search Node

↓

Answer Node

属于固定流程。

但是实际 Agent 需要根据用户输入判断下一步。

例如：

问题1：

什么是RAG？

执行：

查询知识库

问题2：

计算1+2

执行：

调用计算工具

所以需要：

用户问题

↓

判断节点

↓

选择不同路径

三、什么是 Conditional Edge？

普通 Edge：

A

↓

B

表示：

A执行完成后，一定进入B。

Conditional Edge：

Router

/ \\

Tool Search

表示：

根据条件选择不同节点。

四、Conditional Edge执行流程

完整流程：

用户输入

↓

Router Node

↓

判断任务类型

↓

┌──────────┐

↓

Tool Node

或者

↓

Search Node

↓

Answer Node

其中：

Router负责：

判断应该走哪条路线。

五、项目结构

Day14项目结构：

day14

├── state.py

├── nodes.py

├── router.py

├── tools.py

├── graph.py

└── agent.py

模块作用：

六、State状态设计

state.py

代码：

from typing import TypedDict

class AgentState(TypedDict):

question:str

result:str

route:str

相比 Day13：

新增：

route

作用：

保存当前 Agent 应该执行的路径。

例如：

route="tool"

表示：

进入工具节点。

七、Router节点

router.py

代码：

from state import AgentState

def router_node(state:AgentState):

question = state["question"]

if "计算" in question:

state["route"]="tool"

else:

state["route"]="search"

return state

作用：

分析用户问题。

例如：

输入：

计算1+2

输出：

route="tool"

输入：

什么是RAG？

输出：

route="search"

八、Tool Node

在之前学习中：

Tool只是普通函数。

例如：

calculator()

现在：

将工具加入 LangGraph 工作流。

变成：

Tool Node

tools.py

代码：

def calculator(expression):

result = eval(expression)

return result

Tool节点：

def tool_node(state):

result = calculator(
"1+2"
)

state["result"]=result

return state

现在：

工具成为 Agent 流程中的一个节点。

九、创建条件工作流

graph.py

核心代码：

workflow.add_conditional_edges(

"router",

lambda state:state["route"],

{

"tool":"tool",

"search":"search"

}

)

作用：

根据：

state["route"]

决定下一步。

如果：

route="tool"

执行：

Tool Node

如果：

route="search"

执行：

Search Node

十、Loop Agent（循环Agent）

真实 Agent 很少一次执行完成。

例如：

代码生成 Agent：

第一次：

生成代码

↓

测试：

发现错误

↓

修改：

重新生成

↓

再次测试。

这就是循环 Agent。

十一、循环Agent流程

普通流程：

A

↓

B

↓

C

循环流程：

生成

↓

检查

↓

是否完成？

|

├── 是 →结束

|

└── 否 →重新执行

十二、Memory持久化

之前 State：

只存在当前运行。

例如：

程序关闭：

用户信息消失

但是实际 Agent：

需要长期保存信息。

例如：

用户学习方向：

{
"interest":"AI Agent",
"level":"beginner"
}

下次启动：

Agent仍然知道。

十三、简单Memory实现

创建：

memory.json

内容：

{
"interest":"AI Agent",
"level":"beginner"
}

读取：

import json

def load_memory():

with open(

"memory.json",

"r",

encoding="utf-8"

) as f:

return json.load(f)

十四、Day14 Agent架构

完成后：

用户

↓

Router Node

/ \\

Tool Node Search Node

\\ /

Answer Node

↓

Memory保存

相比 Day13：

增加了：

• 判断能力

• 工具执行

• 状态保存

• 动态流程

十五、今日核心知识总结

1. Conditional Edge

作用：

根据状态选择不同执行路径。

解决：

Agent决策问题。

2. Tool Node

作用：

让工具成为工作流的一部分。

实现：

Agent

↓

调用工具

↓

继续执行

3. Loop Agent

作用：

让 Agent 可以：

执行

↓

检查

↓

调整

↓

再次执行。

4. Memory持久化

作用：

让 Agent 拥有长期记忆。

十六、Day14完成标准

完成：

✅ 理解 Conditional Edge

✅ 实现 Router Node

✅ 理解 Tool Node

✅ 理解循环 Agent

✅ 实现简单 Memory 保存

最终实现：

用户输入

↓

Router判断

↓

选择节点

↓

执行任务

↓

保存结果

总结

Day14学习的是 LangGraph 从“固定流程”到“智能流程”的升级。

通过：

• Conditional Edge

• Tool Node

• Loop Agent

• Memory持久化

Agent 已经具备：

判断

↓

选择

↓

执行

↓

保存

下一阶段：

Day15：Multi-Agent多智能体系统

学习：

• Supervisor Agent

• Worker Agent

• Agent之间通信

• 多角色协作架构

构建更加接近企业应用的 Agent 系统。