核心概念

LangGraph 把 agent 流程建模成状态机图：节点是处理步骤，边是流转，状态是节点间传递的数据。面试主线：图怎么建、状态怎么定义、分支怎么走。

图的三个要素

节点 + 边 + 条件边构成图

要素	API	作用
节点	`add_node("name", fn)`	一个处理步骤，函数接收 state 返回 state 更新
边	`add_edge(a, b)`	固定流转
条件边	`add_conditional_edges(a, router)`	按状态动态路由
入口/出口	`START` / `END`	图边界

from langgraph.graph import StateGraph, START, END

builder = StateGraph(AgentState)
builder.add_node("model", call_model)
builder.add_node("tools", call_tools)
builder.add_edge(START, "model")
builder.add_conditional_edges("model", should_continue,  # 路由函数
    {"continue": "tools", "end": END})
builder.add_edge("tools", "model")
graph = builder.compile()

状态与 reducer

状态是 TypedDict（或 Pydantic 模型），reducer 决定字段如何合并更新：

from typing import Annotated, TypedDict, operator

class AgentState(TypedDict):
    messages: Annotated[list, operator.add]   # 追加合并
    user_id: str                              # 默认覆盖
    steps: int                                # 计数器

字段定义	合并行为
无 reducer	后写的覆盖先写的
`Annotated[list, operator.add]`	列表追加（消息历史的标准写法）
自定义 reducer	任意合并逻辑（去重、取最大）

reducer 是考点核心：节点返回的只是“增量”，reducer 决定怎么合并进状态。messages 用 operator.add 才能跨节点累积对话历史，覆盖语义会丢掉历史。

条件边与路由

def should_continue(state: AgentState):
    if state["messages"][-1].tool_calls:
        return "continue"   # 还有工具要调
    return "end"

# 模型输出 → 有 tool_calls 去工具节点, 否则结束

条件边让图有了循环能力：模型节点 → 工具节点 → 模型节点，直到模型不再请求工具。这就是 create_agent 循环的 LangGraph 底层形态（标准 harness 只是这套图的封装）。

与普通代码的区别

维度	普通函数调用	LangGraph
状态	隐式（局部变量）	显式（State 类型）
流转	代码顺序	图结构声明
持久化	无	可挂 checkpoint（见持久化篇）
可视化/调试	无	图即文档（LangGraph Studio）

面试话术：LangGraph 的价值不是“图”本身，而是状态显式化 + 可持久化 + 可中断，这是复杂 agent 可靠性的前提。

面试追问

LangGraph 的三个要素？ 节点（处理）、边（流转）、状态（数据）。条件边实现分支和循环
reducer 是什么？ 字段的合并规则：默认覆盖，operator.add 追加。messages 必须追加才能累积历史
节点函数返回什么？ 状态的增量（部分字段），reducer 合并进完整状态。不是返回整个状态
循环怎么实现？ 条件边：模型节点根据是否还有 tool_calls 路由到工具节点或 END
为什么用图而不是代码？ 状态显式、可持久化、可中断、可可视化。复杂 agent 的可靠性靠这些