AI Agent / 系统课时
判断何时需要图式工作流
判断何时需要图式工作流
当一个智能体开始出现“做完一步后还要根据结果决定下一步”的逻辑时,单纯把调用按顺序串起来往往会迅速失控。本篇用线性链、普通 Agent 与显式状态图做对比,帮助你判断哪些场景值得引入 LangGraph,哪些场景反而不需要。
学习目标
- 区分线性链、普通 Agent 与显式状态图的控制方式
- 识别循环、分支、持久化和人工介入等关键信号
- 判断一个需求是否值得为 LangGraph 增加图与状态管理成本
三种控制方式解决不同复杂度
线性链最适合确定性的顺序流程:输入经过步骤 A、B、C 后直接得到结果。控制流由开发者预先写死,优点是简单、可读、容易测试;只要中途没有复杂分支,就不必引入图。
普通 Agent 更适合“模型决定调用什么工具”的开放式任务。模型可以在思考、调用工具、读取结果之间形成循环,但流程状态通常隐含在消息历史或框架内部。当你只关心“让模型自己决定下一步”,普通 Agent 已经够用。
显式状态图适合把控制流本身当作工程对象管理。节点负责执行动作,边负责描述下一步,状态保存跨节点数据;因此分支、循环、暂停、恢复和重放都能被明确表示。

出现这些信号时优先考虑图
最重要的判断标准不是“任务是否用了大模型”,而是“控制流是否需要被显式管理”。如果流程只有一次模型调用和一次工具调用,图通常是过度设计;如果下面几类需求开始同时出现,图的价值会明显上升。
- 需要循环:执行结果不满足条件时,要回到前面的节点再次检索、规划或修正。
- 需要条件分支:不同状态进入不同处理路径,例如高风险请求必须先审核,普通请求可以直接继续。
- 需要持久化与恢复:任务可能运行很久、进程可能中断,希望从最近检查点继续,而不是从头重跑。
- 需要人工介入:流程必须在某个节点暂停,等待人工批准、补充信息或修改状态后再继续。
- 需要可观察的控制流:排障时必须知道当前在哪个节点、为何选择某条边、状态如何变化。
一个实用经验是:只要你开始在代码里堆叠多层 if、while、重试标记和人工审批状态,说明流程已经接近“图式工作流”的问题域。
图式工作流的本质是显式状态机
LangGraph 的核心价值并不是把函数画成图,而是把“状态”和“状态如何推进”变成一等概念。每个节点读取当前状态并产生更新,边根据规则决定下一步,因此一次执行可以被理解为状态在图上的迁移。
这带来两个工程收益。第一,控制逻辑不再散落在深层函数调用里,分支和回环可以单独测试。第二,状态可以与检查点结合,为长流程提供暂停、恢复、重放和故障后的继续执行能力。
这些场景不必急着用 LangGraph
如果任务能稳定写成“输入 → 若干确定步骤 → 输出”,优先保留普通函数或链式调用。简单流程越早引入图,维护成本越高:你要额外定义状态结构、节点边界、路由条件和检查点策略。
同样,如果真正的需求只是让模型自主选择少量工具,而没有持久化、人工审批、复杂分支或可恢复要求,一个普通工具调用 Agent 往往更直接。判断是否使用 LangGraph 的关键,不是看技术是否流行,而是看你的流程是否已经需要显式、可恢复、可观察的状态控制。