课 1 · Graph Workflow vs Chain

本课目标

理解 Chain、ReAct、Graph Workflow 三种 Agent 架构的区别，以及 LangGraph 用图来组织 Agent 状态的核心动机。

先建立直觉：Chain 是流水线，ReAct 是循环，Graph 是有记忆的状态机。

三种 Agent 架构

Chain（顺序调用）

最简单：A → B → C，每步拿上一步的输出作为输入。

// 典型 Chain
const result1 = await queryRewrite(question)
const chunks = await retrieve(result1)
const answer = await generate(chunks)

优点：简单直观，调试容易。
局限：没有循环，遇到需要多步推理或回溯的情况束手无策。

ReAct（思考-行动循环）

基础课模块 5 实现的模式：Reason → Act → Observe → Reason → ...

// 基础课 ReAct
while (!done) {
  const decision = await reasonStep(messages)  // 模型决定下一步
  if (decision.type === 'tool_call') {
    const result = await executeTool(decision)  // 执行工具
    messages.push({ role: 'tool', content: result })
  } else {
    done = true
  }
}

优点：支持多步工具调用，能处理动态任务。
局限：状态只有 messages 数组，结构简单但不灵活；没有分支；调试困难（不知道 Agent 在哪步出了问题）。

Graph Workflow（状态图）

LangGraph 的核心模型：

StateGraph 结构

State全局状态对象

→

Node A修改部分状态

→

条件边根据状态决定下一节点

Node B

→

Checkpoint每步保存状态

→

Node C 或 Node A

每个 Node 只修改状态的一部分，Checkpoint 在每步后保存完整状态。

优点：

• 可观测：每个 Node 的输入输出都记录在状态里，出问题能精确定位到哪步
• 可中断：任意 Node 执行后可以暂停，等待人工审批再继续
• 可分支：条件边可以根据状态动态决定走哪条路
• 可恢复：Checkpoint 记录每步状态，崩溃后可以从断点继续

Graph vs ReAct 的核心区别

	ReAct	Graph Workflow
状态	messages 数组	结构化 State 对象
流程控制	模型决定是否继续	明确的 Node + Edge
分支	无	条件边支持多分支
中断恢复	不支持	Checkpoint 内置支持
调试	难（只有消息列表）	容易（每步状态快照）

什么时候用 Graph Workflow

不是所有 Agent 都需要 Graph Workflow。判断标准：

• ✅ 需要中断等待人工审批（如批准操作前暂停）
• ✅ 需要多分支（如根据问题类型走不同检索策略）
• ✅ 需要长时任务恢复（进程重启后继续未完成的任务）
• ✅ 团队需要可视化调试 Agent 执行过程
• ❌ 简单的单轮问答 → 普通 Chain 足够
• ❌ 标准 ReAct 工具调用 → AI SDK 的 maxSteps 足够

进阶课的知识库 Agent 用混合方式：外层用 Graph 管理任务类型路由，内层用 ReAct 处理工具调用。

面试追问

Graph Workflow 和普通 Chain 有什么区别？

Chain 是静态的顺序执行，从 A 到 B 到 C，流程在代码里固定。Graph Workflow 是动态状态机：每个 Node 读取当前状态、修改状态，然后由边（可以是条件边）决定下一个 Node。关键区别在于"分支"和"循环"——Chain 做不到，Graph 原生支持。

LangGraph 为什么用 Graph 而不是传统状态机框架？

图的表达能力比顺序代码更强：节点可以任意互连，可以有环（循环），可以有条件分支。同时图结构天然可视化，容易让非技术成员理解 Agent 的决策流程。相比传统状态机框架，LangGraph 专门针对 LLM 场景做了 Reducer、Checkpoint 和 streaming 的集成。