LangGraph 状态管理实战：如何构建具备自我修正能力的 AI Agent

很多人在用 LangChain 构建 Agent 时都会遇到一个痛点：Agent 很容易在某个错误的推理步骤上死循环，或者在调用工具失败后直接报错崩溃，缺乏像人类一样“意识到错了并尝试修正”的能力。LangGraph 的核心价值就在于它把 Agent 从一个简单的 DAG（有向无环图）变成了真正的状态机，允许循环（Cycle）的存在，这才是实现自我修正的技术前提。

所谓的“自我修正”，本质上是在图中引入一个检查节点（Critic/Checker Node）。传统的链式结构是 $A \to B \to C$，而具备修正能力的结构是 $A \to B \to \text{Check} \to (\text{if error}) \to B \to \text{Check}$。

在实战中，最关键的是对 State 的定义。你需要定义一个全局状态对象，记录当前的查询、已尝试的路径以及错误日志。当 LLM 调用工具返回错误时，不要直接抛出异常，而是将错误信息写回 State，并触发一个条件边（Conditional Edge）将流程导回之前的处理节点。

一个典型的自我修正逻辑伪代码如下：

# 定义状态，记录错误次数防止死循环
class AgentState(TypedDict):
    messages: Annotated[Sequence[BaseMessage], operator.add]
    error_count: int

# 关键的条件路由函数
def should_continue(state: AgentState):
    last_message = state["messages"][-1]
    if last_message.content == "SUCCESS":
        return "end"
    if state["error_count"] > 3:
        return "fallback" # 超过3次尝试则放弃，避免Token浪费
    return "retry"

这对开发者的影响在于，构建 Agent 的思维方式从“写 Prompt 引导 LLM 一次性做对”转向了“设计鲁棒的拓扑结构”。你不再需要写冗长的提示词告诉 AI “如果出错请重新尝试”，而是通过图的拓扑结构强制它在检测到错误时必须走回修正路径。

这种模式极大提升了 Agent 在处理复杂 API 调用、SQL 生成或代码执行时的稳定性。这意味着我们可以把 LLM 从“全能神”的幻象中解脱出来，允许它犯错，但通过状态管理确保它能通过迭代抵达正确答案。对于实际工程落地来说，这种可控的循环比单纯追求一个超大模型的高推理能力要可靠得多。