LangGraph 状态机：把 AI Agent 从「随机复读机」变成「可控流程引擎」

LangChain 的 LangGraph 给 Agent 开发带来的不是新玩具，而是一套「确定性治理框架」。写 ReAct 模式 Agent 的开发者都懂这种痛：模型在两个工具间反复横跳，或者沿着错误方向一路狂奔，Token 烧完才发现问题。

引入状态机实现带护栏的显式循环

DAG 工作流太僵硬，纯 LLM 循环又太随性。LangGraph 的关键在于引入了「状态机」和「显式状态管理」——它允许定义循环，但循环是带护栏的。

它处理死循环的几个实招：

状态快照与持久化。 LangGraph 把 Agent 中间状态全部塞进一个可检查的 State 对象。每一步跳转都有迹可循，开发者直接查 message_history 或自定义计数器，在代码层强行截断死循环，而不是靠 Prompt 苦口婆心劝 AI「别重复了」。

显式边与条件路由。 不再是「模型说了算」，你可以定义 conditional_edge。比如写个简单判断：同一工具连续调用 3 次且结果相同，直接强制跳到「报错处理」节点，不跟它耗。

人类介入（Human-in-the-loop）。 这是兜底手段。通过 breakpoint 机制，Agent 在可能陷入风险循环前挂起，等人工确认或修改状态再继续。

从调试提示词转向设计状态拓扑图

开发者要干的事变了：从「调 Prompt 防死循环」转向「设计状态拓扑图避死循环」。

典型的状态定义逻辑：

from typing import Annotated, TypedDict
from langgraph.graph import StateGraph, END

# 定义状态，记录调用次数以防止死循环
class AgentState(TypedDict):
    messages: Annotated[list, add_messages]
    loop_count: int

def should_continue(state: AgentState):
    # 强制约束：超过 5 次循环直接跳出
    if state["loop_count"] > 5:
        return "end"
    if "FINAL ANSWER" in state["messages"][-1].content:
        return "end"
    return "continue"

# 构建图
workflow = StateGraph(AgentState)
# ... 添加节点和边 ...
workflow.add_conditional_edges("agent", should_continue, {
    "continue": "tools",
    "end": END
})

AI Agent 向工程化组件转型的趋势

行业层面，这意味着一件事：AI Agent 正从「概率性玩具」转向「工程化组件」。状态机能精确控制 LLM 的执行路径时，Agent 才敢部署到自动化财务审计、复杂代码重构这类对稳定性要求极高的企业级环境，而不是停留在聊天机器人层面。