LangGraph 循环直到满足条件
摘录自一次 DeepSeek 对话(原 HTML:
00_附件/HTML源码/LangChain/langgraph-chat-export-2026-08-28.html)。
核心问题:如何在 LangGraph 里实现 「不满足条件就反复执行,直到好了为止」。
TL;DR
「循环直到满足」在 LangGraph 里的本质 = 生成 → 评估 → 不通过带反馈重跑去,直到通过或达到次数上限。有天然更省事的现成 API 时优先用,不必手搓。
| 做法 | 适用场景 | 复杂度 |
|---|---|---|
| 手动「生成-评估」双向循环图 | 内容质量检查(通用) | 中 |
create_react_agent | 工具调用循环(Agent) | 低 |
create_reflection_graph | 「生成→批评→改进」反思流程 | 低(但需遵循其状态约束) |
1. 手动实现:生成-评估-反馈循环图
核心是三步:状态(State)+ 生成节点 + 评估节点 + 条件边(路由)。
- State:至少三个字段追踪循环——
draft:当前生成的内容retry_count:已重试次数feedback:评估节点给出的改进建议(回传给生成节点)
- Generator 节点:执行核心任务(如调 LLM),把
feedback作为上下文改进输出。 - Evaluator 节点:对
draft做质量检查,更新retry_count,写入quality_passed(bool)和feedback(文本)。 - 条件边(路由)(循环关键):
quality_passed == True→ 走向 ENDquality_passed == False且retry_count < 上限→ 回到 Generator(形成循环)retry_count ≥ 上限→ 走向 END(标记失败 / 返回默认结果)
关键点
用条件边(
add_conditional_edges)而不是硬编码边,才可持续对同一对节点回环。
2. 复用 create_react_agent
create_react_agent 本身就是一个为循环执行设计的封装,但它侧重工具调用循环(Tool-Calling Loop)——「思考→行动→观察」——直到不再需要调工具。不适合做内容质量检查循环。流程:
- Agent 节点:推理后决定直接给答案还是调用工具。
- 工具节点:执行对应工具。
- 条件边:还有工具调用 → 回「工具节点」;否则 → END。
3. 现成反思 API:create_reflection_graph
LangGraph 提供现成高级 API,封装「生成 → 批评 → 改进」反思模式。虽不如 create_react_agent 有独立仓库和广泛教程,但功能契合「不满足就重写」。
状态自定义与限制:
- 要求 State 至少包含
messages字段(依赖它传递对话历史并驱动循环)。 - API 内部会强制新增
remaining_steps字段来防死循环;因此你传入的状态 Schema 不能已存在remaining_steps,否则报错。 - 通过
state_schema传入自定义 State 类即可加自己的字段;最直接的方式是继承MessagesState再扩建draft/quality_passed/feedback等。
from langgraph.graph import StateGraph, END
from typing_extensions import TypedDict
class GenState(TypedDict):
draft: str
retry_count: int
feedback: str
quality_passed: bool
def generator(state): ... # 读 state["feedback"] 改进输出
def evaluator(state): ... # 检查质量,写 quality_passed / feedback / retry_count
def route(state): # 条件边路由
if state["quality_passed"]:
return END
if state["retry_count"] >= MAX:
return END # 达上限兜底
return "generator" # 回环
g = StateGraph(GenState)
g.add_node("generator", generator)
g.add_node("evaluator", evaluator)
g.set_entry_point("generator")
g.add_edge("generator", "evaluator")
g.add_conditional_edges("evaluator", route, {"generator", END})小结
「不满足就一直执行」的通用套路:手动搭建生成-评估循环,大多数内容质量场景可覆盖;若是工具调用,直接用 create_react_agent;若是「生成→批评→改进」,create_reflection_graph 更省事。别在需要工具循环时重写手搓循环,也别为了手搓而屏蔽现成 API。
相关笔记
- 五种 Agent 模式详解 — Agent 架构模式总览
- 在Agent中落地ReAct模式(Reasoning + Acting) — ReAct:思考-行动-观察
- AI智能体消息通道分层设计 — Agent 通信设计