企业官网建设流程全解析

盐山县网站建设公司,公司注销需要多少钱费用?,太原网站建设开发,做网站定制LangGraph的StateGraph是一个用于构建状态图的核心组件#xff0c;用于创建有状态的多步骤工作流程。以下是基本用法#xff1a; StateGraph基本概念 StateGraph允许你定义一个图结构#xff0c;其中每个节点代表一个操作#xff0c;边定义了节点之间的连接关系#xff…LangGraph的StateGraph是一个用于构建状态图的核心组件用于创建有状态的多步骤工作流程。以下是基本用法StateGraph基本概念StateGraph允许你定义一个图结构其中每个节点代表一个操作边定义了节点之间的连接关系整个图维护一个共享的状态。基本用法步骤1. 定义状态结构from typing import TypedDictfrom langgraph.graph import StateGraph, ENDclass GraphState(TypedDict): input: str output: str step_count: int2. 创建StateGraph实例# 创建StateGraph指定状态类型workflow StateGraph(GraphState)3. 定义节点函数def node_1(state: GraphState) - GraphState: 第一个节点的处理逻辑 return { input: state[input], output: f处理了: {state[input]}, step_count: state.get(step_count, 0) 1 }def node_2(state: GraphState) - GraphState: 第二个节点的处理逻辑 return { input: state[input], output: state[output] - 进一步处理, step_count: state[step_count] 1 }4. 添加节点workflow.add_node(step1, node_1)workflow.add_node(step2, node_2)5. 定义边连接# 设置入口点workflow.set_entry_point(step1)# 添加边workflow.add_edge(step1, step2)workflow.add_edge(step2, END)6. 条件边的使用你还可以添加条件边来实现分支逻辑def should_continue(state: GraphState) - str: 决定下一步走向的条件函数 if state[step_count] 3: return continue else: return end# 添加条件边workflow.add_conditional_edges( step1, should_continue, { continue: step2, end: END })7. 编译并运行# 编译图app workflow.compile()# 运行图initial_state { input: Hello World, output: , step_count: 0}result app.invoke(initial_state)print(result)  **State基本概念** ------------- 在现代AI应用开发中如何优雅地管理复杂工作流的状态流转是一个关键挑战。LangGraph的State机制为我们提供了一套强大而灵活的状态管理解决方案。本文将深入探讨LangGraph State的设计理念、核心特性和实际应用。 ### **什么是LangGraph State** LangGraph State是LangGraph框架中用于定义和管理图状态的核心组件。它不仅定义了数据的结构模式Schema还通过reducer函数指定了状态更新的逻辑。State既是所有节点和边的输入模式也是节点间数据流转的载体。 核心设计理念 LangGraph State的设计遵循以下几个核心原则 * 类型安全: 通过TypedDict或Pydantic模型确保数据结构的正确性 * 状态隔离: 支持多层次的状态模式实现输入、输出和内部状态的分离 * 灵活性: 节点可以读写任何已声明的状态通道 * 可扩展性: 支持运行时动态添加新的状态通道 ### **核心关系** 1. **state_schema**- 图的**内部状态模式**定义了图内部所有可能的状态字段 2. **input_schema**- 图的**输入模式**是state_schema的子集定义图接受什么输入 3. **output_schema**- 图的**输出模式**是state_schema的子集定义图返回什么输出 ### **具体说明** ### **state\_schema必需** * 图的**完整内部状态**包含所有节点可能读写的字段 * 所有节点都可以访问和写入这个schema中的任何字段 * 是图的全局状态空间 ### **input\_schema可选** * 如果不指定默认等于state_schema * 限制图的**输入接口**只能传入这些字段 * 是state_schema的子集或相等 ### **output\_schema可选** * 如果不指定默认等于state_schema * 限制图的**输出接口**只返回这些字段 * 是state_schema的子集或相等 ### **实际例子** plaintext # 内部完整状态class OverallState(TypedDict): foo: str # 内部处理字段 user_input: str # 输入字段 graph_output: str # 输出字段# 限制输入只包含user_inputclass InputState(TypedDict): user_input: str# 限制输出只包含graph_output class OutputState(TypedDict): graph_output: str# 创建图builder StateGraph( OverallState, # 内部完整状态 input_schemaInputState, # 输入限制 output_schemaOutputState # 输出限制)关系图示输入 → [InputState] → [OverallState] → [OutputState] → 输出 (输入过滤) (内部完整状态) (输出过滤)这种设计的好处封装性: 内部处理细节不会暴露给外部接口清晰: 明确定义输入输出契约灵活性: 内部可以有更多临时状态字段用于节点间通信下面是一些例子基础单模式使用最简单的情况下所有节点共享同一个状态模式from typing import TypedDictfrom langgraph.graph import StateGraph, START, ENDclass SimpleState(TypedDict): input: str output: str step_count: intdef process_node(state: SimpleState) - SimpleState: return { input: state[input], output: f处理结果: {state[input]}, step_count: state.get(step_count, 0) 1 }# 创建简单的状态图workflow StateGraph(SimpleState)workflow.add_node(processor, process_node)workflow.add_edge(START, processor)workflow.add_edge(processor, END)app workflow.compile()result app.invoke({input: Hello, output: , step_count: 0})多模式架构输入输出分离在实际应用中我们常常需要区分输入、输出和内部状态from typing import TypedDictfrom langgraph.graph import StateGraph, START, ENDclass InputState(TypedDict): 用户输入接口 user_input: strclass OutputState(TypedDict): 最终输出接口 graph_output: str step_count:intclass OverallState(TypedDict): 内部完整状态 user_input: str intermediate_result: str processed_data: str graph_output: str step_count: intclass PrivateState(TypedDict): 节点间私有通信 private_data: str internal_flag: booldef input_node(state: InputState) - OverallState: 输入处理节点 return { user_input: state[user_input], intermediate_result: f开始处理: {state[user_input]}, step_count: 1 }def processing_node(state: OverallState) - PrivateState: 数据处理节点 processed state[intermediate_result].upper() return { private_data: f私有处理: {processed}, internal_flag: len(state[user_input]) 5 }def intermediate_node(state: PrivateState) - OverallState: 中间处理节点 additional_info (长文本) if state[internal_flag] else (短文本) return { processed_data: state[private_data] additional_info }def output_node(state: OverallState) - OutputState: 输出生成节点 final_result f最终结果: {state[processed_data]} | 步骤: {state.get(step_count, 0)} return { graph_output: final_result }# 创建多模式状态图builder StateGraph( OverallState, inputInputState, outputOutputState)builder.add_node(input_processor, input_node)builder.add_node(data_processor, processing_node)builder.add_node(intermediate_processor, intermediate_node)builder.add_node(output_processor, output_node)builder.add_edge(START, input_processor)builder.add_edge(input_processor, data_processor)builder.add_edge(data_processor, intermediate_processor)builder.add_edge(intermediate_processor, output_processor)builder.add_edge(output_processor, END)graph builder.compile()# 测试输入input_data {user_input: Hello LangGraph,extra_input:额外输入}print(输入:, input_data) # 执行图result graph.invoke(input_data)print(输出:, result)png_datagraph.get_graph().draw_mermaid_png()with open(state.png, wb) as f: f.write(png_data)输出如下学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】