尚硅谷大模型技术-LangGraph实战教程

LangGraph 是 LangChain 生态里用来构建有状态、可循环智能体的一层编排框架。它把工作流建模成图：节点负责执行具体的处理逻辑，边决定控制流走向，状态在整张图上流转并可以被每个节点读写。这个课程围绕 LangGraph 展开，配有视频、代码、笔记和资料四类内容，适合已经了解 Python 和大模型 API 基本用法、想进一步把「一次问答」升级成「多步可控流程」的开发者对照实践。

技术栈定位：它解决的是什么问题

用 LangChain 写单轮链式调用是线性的，遇到需要根据中间结果反复决策、调用工具、循环重试的场景，靠 if-else 拼装会迅速失控。LangGraph 的核心价值在于把这类逻辑显式表达为图结构：你可以定义条件边来决定「继续调用工具」还是「结束并输出」，可以用检查点（checkpointer）把状态持久化下来实现断点续跑和人工介入，也可以让多个节点共享同一份状态并按需合并更新。课程内容覆盖这些模块，重点是理解状态机式的编排思路，而不是记住某个 API 名字。

项目结构：三类产物各自的作用

• 视频部分承担思路讲解，把图、状态、节点、边这些概念逐个落地，适合先过一遍建立整体印象；
• 代码部分是最值得花时间的，通常按功能点拆成多个可运行示例，每个示例对应一个具体能力，比如条件分支、工具调用、循环控制、状态持久化；
• 笔记和资料用于速查和补背景，笔记整理关键结论，资料提供扩展阅读与依赖环境说明。

合理的用法是：先看视频对应的一节，再打开同主题的代码跑通，最后回到笔记核对参数含义。不要只顺着视频看完就结束，LangGraph 的细节大量藏在状态定义和边的条件函数里，必须自己在编辑器里改一遍才能理解。

可复用模块：哪些能直接搬进自己的项目

这类课程真正的产出不是示例本身，而是可以被拆出来复用的几个部分。图的状态定义方式——用 TypedDict 或 Pydantic 模型声明状态字段与合并策略——可以直接套用到自己的智能体；条件路由函数是控制流的入口，理解它如何读取当前状态并返回下一个节点名，就能把业务判断塞进去；工具节点的封装方式决定了外部 API、数据库、检索器怎么接入图里；检查点与中断机制则是做多轮对话、长任务和人工审核的基础。把这四块抽出来，用在自己的场景里替换掉示例逻辑，基本就完成了一次迁移。

适合谁，以及怎么自学

如果只是对「大模型」这个概念好奇，这份材料偏工程，读起来会有些枯燥。更合适的读者是：写过 Python，调用过 OpenAI 或同类接口，手上有至少一个想做成多步流程的需求，比如带检索的问答、需要调用多个工具的任务执行、或者需要在中间步骤插入人工确认的流程。学习路径建议按功能粒度推进，一次只吃透一个能力点，跑通后立刻改参数、改条件、换工具，观察状态变化。遇到报错优先看状态字段类型是否匹配、节点返回值是否覆盖了预期键，这类问题在实际开发中出现频率最高。

整体来看，这套资料的价值在于提供了一份可运行的对照样本：概念有视频讲，实现有代码看，结论有笔记查。把它当成自己动手写第一个 LangGraph 应用时的参照，边看边改，比单纯看视频更容易形成可迁移的工程能力。