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 END
    • quality_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