跳转至

子图

子图是在另一个图中作为节点使用的一个图——这是将封装（encapsulation）概念应用到 LangGraph 的方式。子图使你能够构建由多个组件组成的复杂系统，而这些组件本身也是图。

子图

使用子图的一些理由包括：

  • 构建多智能体系统
  • 当你希望在多个图中复用一组节点时
  • 当你希望不同团队独立负责图的不同部分时，你可以将每一部分定义为一个子图；只要遵循子图的接口（输入和输出模式），父图就无需了解子图的任何细节即可构建。

在添加子图时，核心问题是父图与子图如何通信，即在图执行过程中彼此如何传递状态。通常有两种情形：

from langgraph.graph import StateGraph, MessagesState, START

# 子图

def call_model(state: MessagesState):
    response = model.invoke(state["messages"])
    return {"messages": response}

subgraph_builder = StateGraph(State)
subgraph_builder.add_node(call_model)
...
subgraph = subgraph_builder.compile()

# 父图

builder = StateGraph(State)
builder.add_node("subgraph_node", subgraph)
builder.add_edge(START, "subgraph_node")
graph = builder.compile()
...
graph.invoke({"messages": [{"role": "user", "content": "hi!"}]})
  • 父图与子图具有**不同的模式**（它们的状态模式中没有共享的状态键）。在这种情况下，你需要在父图的某个节点内部调用子图：当父图与子图的状态模式不同，且你需要在调用子图之前或之后对状态进行转换时，这种方式非常有用。
from typing_extensions import TypedDict, Annotated
from langchain_core.messages import AnyMessage
from langgraph.graph import StateGraph, MessagesState, START
from langgraph.graph.message import add_messages

class SubgraphMessagesState(TypedDict):
    subgraph_messages: Annotated[list[AnyMessage], add_messages]

# 子图

def call_model(state: SubgraphMessagesState):
    response = model.invoke(state["subgraph_messages"])
    return {"subgraph_messages": response}

subgraph_builder = StateGraph(SubgraphMessagesState)
subgraph_builder.add_node("call_model_from_subgraph", call_model)
subgraph_builder.add_edge(START, "call_model_from_subgraph")
...
subgraph = subgraph_builder.compile()

# 父图

def call_subgraph(state: MessagesState):
    response = subgraph.invoke({"subgraph_messages": state["messages"]})
    return {"messages": response["subgraph_messages"]}

builder = StateGraph(State)
builder.add_node("subgraph_node", call_subgraph)
builder.add_edge(START, "subgraph_node")
graph = builder.compile()
...
graph.invoke({"messages": [{"role": "user", "content": "hi!"}]})