LangGraph 边（Edge）的概念与核心作用详解

在 LangGraph 中，边（Edge）充当节点之间的“道路”，决定着整个工作流的运行路径。可以这样理解：箭头方向不仅是串联节点的手段，更关键的是，在定义边的那一刻，就已经固定了“起点与终点”的关系。

那么，这条“道路”具体负责哪些功能呢？主要有三个核心职能：

边的三种类型详解

LangGraph 中的边共分为三类，它们共同构成整个图的“道路系统”。简单来说，需要搞清这三类不同路径。

1. 普通边（Normal Edge）

这是两个普通节点之间的固定连接，代表无条件的线性执行。即路径是写死的，没有分支判断：

graph.add_edge("input", "process") graph.add_edge("process", "output")

特点很明显：固定路径、无条件跳转，最适合线性流水线场景。

2. 起始边（Start Edge）

每个图都必须有一个入口。LangGraph 内置了一个特殊节点叫 START，通过起始边将其连接到第一个自定义节点：

from langgraph.graph import START graph.add_edge(START, "input")

注意，START 是框架内置的节点，代表图的执行起点，这一步骤不可省略。

3. 结束边（End Edge）

最后一个节点需要连接到内置的 END 节点，表示图执行完成：

from langgraph.graph import END graph.add_edge("output", END)

一旦到达 END，整个工作流便宣告结束。

图的执行流程拆解

一个典型的线性图结构如下：

START → Node1 → Node2 → Node3 → END

具体的执行机制可以分为五个步骤：

1. 从 START 节点启动
2. 按照边的连接顺序，逐个执行节点
3. 每个节点执行后，更新全局 State
4. 下一个节点接收到更新后的 State
5. 到达 END 节点后，流程结束

中间那些箭头，正是 Edge 在代码中的具象化——底层对应的是按顺序执行节点、逐步 update State 的执行机制。

编译与执行：从图到可运行应用

所有边都连好之后，图还不能直接运行。必须先编译，再调用。

编译图：compile()

app = graph.compile()

这里有几点需要特别注意：

• 编译是必需步骤：未编译的图无法执行
• 编译后结构不可修改：如需调整节点或边，必须重新构建并再次编译
• 返回可调用对象：app 就是可执行的图应用

执行图：invoke()

传入初始 State，同步跑完整个工作流：

result = app.invoke(initial_state)

invoke 具有以下特征：

• 同步执行：所有中间节点全部执行完毕后才返回
• 返回最终完整 State：result 本质上是一个字典对象
• 主测试场景最常用：需要等待完整结果时，优先使用 invoke

取值有两种方式，效果完全等价：

result["raw_input"] # 方括号索引 result.get("processed", "") # get 方法，可设默认值

完整工作流示例演示了三个节点分别负责接收输入、处理数据、格式化输出，通过边串联成 START → input → process → output → END。这是最基础的线性流程模式；后续还会接触到条件路由、循环路由等更复杂的结构。

脚本 1：普通边连接节点（手动顺序执行）

文件：1_普通边连接节点.py

在正式引入 add_edge 之前，可以先手动按顺序调用节点，这样能更直观地理解——边最终要表达的就是这个执行顺序：

from typing import TypedDict class DataState(TypedDict): raw_input: str processed: str output: str def input_node(state: DataState): cleaned = state["raw_input"].strip() return {"raw_input": cleaned} def process_node(state: DataState): processed = state["raw_input"].upper() return {"processed": processed} def output_node(state: DataState): output = f"Result: {state['processed']}" return {"output": output} state = {"raw_input": "hello world", "processed": "", "output": ""} print("初始状态:", state) state.update(input_node(state)) print("清理输入后:", state) state.update(process_node(state)) print("转大写后:", state) state.update(output_node(state)) print("最终状态:", state)

运行结果：

初始状态: {'raw_input': 'hello world', 'processed': '', 'output': ''} 清理输入后: {'raw_input': 'hello world', 'processed': '', 'output': ''} 转大写后: {'raw_input': 'hello world', 'processed': 'HELLO WORLD', 'output': ''} 最终状态: {'raw_input': 'hello world', 'processed': 'HELLO WORLD', 'output': 'Result: HELLO WORLD'}

每一步只有目标字段在变化：第一个节点仅更新了 raw_input，第二个更新了 processed，第三个添加了格式化的 output。连接好边之后，框架本质上执行的就是同样的操作——依次运行节点，对每个节点返回的字典执行 state.update()。

脚本 2：引入 START 与 END

文件：2_START和END.py

理解了手动流转之后，用 StateGraph 和 add_edge 将节点与 START、END 连接起来：

from typing import TypedDict from langgraph.graph import StateGraph, START, END class DataState(TypedDict): raw_input: str processed: str output: str def input_node(state: DataState): cleaned = state["raw_input"].strip() return {"raw_input": cleaned} def process_node(state: DataState): processed = state["raw_input"].upper() return {"processed": processed} def output_node(state: DataState): output = f"Result: {state['processed']}" return {"output": output} graph = StateGraph(DataState) graph.add_node("input", input_node) graph.add_node("process", process_node) graph.add_node("output", output_node) graph.add_edge(START, "input") graph.add_edge("input", "process") graph.add_edge("process", "output") graph.add_edge("output", END)

此时图结构已经完整：

START → input → process → output → END

但还没有 compile() 和 invoke()，所以直接运行不会有输出——下一个脚本将解决这个问题。

脚本 3：compile 与 invoke 实战

文件：3_compile和invoke.py

在脚本2的基础上，补上编译、执行和结果读取：

from typing import TypedDict from langgraph.graph import StateGraph, START, END class DataState(TypedDict): raw_input: str processed: str output: str def input_node(state: DataState): cleaned = state["raw_input"].strip() return {"raw_input": cleaned} def process_node(state: DataState): processed = state["raw_input"].upper() return {"processed": processed} def output_node(state: DataState): output = f"Result: {state['processed']}" return {"output": output} graph = StateGraph(DataState) graph.add_node("input", input_node) graph.add_node("process", process_node) graph.add_node("output", output_node) graph.add_edge(START, "input") graph.add_edge("input", "process") graph.add_edge("process", "output") graph.add_edge("output", END) app = graph.compile() initial_state = { "raw_input": "hello world", "processed": "", "output": "", } result = app.invoke(initial_state) print("清理后的输入:", result["raw_input"]) print("处理后的结果:", result["processed"]) print("最终输出:", result["output"]) print("完整结果:", result)

运行结果：

清理后的输入: hello world 处理后的结果: HELLO WORLD 最终输出: Result: HELLO WORLD 完整结果: {'raw_input': 'hello world', 'processed': 'HELLO WORLD', 'output': 'Result: HELLO WORLD'}

result 就是一个字典（State），除了 result["key"]，也可以使用 result.get("key") 取值，效果完全一致。

图的可视化呈现

LangGraph 提供了内置的可视化能力，编译后可以直观查看图结构。在 Jupyter Notebook 中运行：

from IPython.display import Image, display display(Image(app.get_graph().draw_mermaid_png()))

可视化的价值在于：

• 帮助理解图的执行流程
• 快速发现结构问题
• 便于团队沟通和文档化

边与 State、Node 的关系（一图看懂）

┌────────┐ 起始边 ┌────────┐ 普通边 ┌─────────┐ 普通边 ┌────────┐ 结束边 ┌─────┐ │ START │ ───────→ │ input │ ───────→ │ process │ ───────→ │ output │ ───────→ │ END │ └────────┘ └────────┘ └─────────┘ └────────┘ └─────┘ │ │ │ │ │ └────────────── 每步 update State，传给下一节点 ──────────────────────────────┘

• 边负责将节点执行过程用箭头串联起来
• 添加边之后还需要 compile()，才能通过 invoke() 运行
• 传入初始 State，框架自动沿图执行所有节点和边，返回最终 Result

小结