在上一节中，我们演示了如何使用 LangGraph 创建 ReAct Agent。但是，把任务交给 Agent 等于把控制权也交了出去。如果你不希望 Agent 拥有如此高的控制权，而是希望流程完全受你控制，那么你可以使用 状态图（StateGraph）来创建工作流。
import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, MessagesState, START, END
from langchain_core.messages import SystemMessage, HumanMessage
from langchain_core.tools import tool
# 关键节点：ToolNode
from langgraph.prebuilt import ToolNode
from langchain_core.runnables import RunnableConfig
# 加载模型配置
_ = load_dotenv()本节实现了一个简单的工作流。该工作流接入一个可查询天气的工具。区别于 ReAct Agent 可以自主实现工具调用，这里我们通过“条件边”，手动编写工具的触发逻辑。
为了实现这一目标，我们需要先创建三样东西：
助手节点：装载了 LLM，用于判断是否需要调用工具
工具节点：一个可获取城市天气的工具。这里被我们简化，对任何城市均输出晴天
条件边：连接助手节点与工具节点。根据助手节点的输出，决定是否调用工具（即对应下图中的2条虚线）
# 加载模型
llm = ChatOpenAI(
api_key=os.getenv("DASHSCOPE_API_KEY"),
base_url=os.getenv("DASHSCOPE_BASE_URL"),
model="qwen3-coder-plus",
temperature=0.7,
)
# 工具函数
@tool
def get_weather(city: str) -> str:
"""Get weather for a given city."""
return f"It's always sunny in {city}!"
# 创建工具节点
tools = [get_weather]
tool_node = ToolNode(tools)
# 创建带工具的LLM助手节点
def assistant(state: MessagesState, config: RunnableConfig):
system_prompt = 'You are a helpful assistant that can check weather.'
all_messages = [SystemMessage(system_prompt)] + state['messages']
model = llm.bind_tools(tools)
return {'messages': [model.invoke(all_messages)]}
# 创建条件边
def should_continue(state: MessagesState, config: RunnableConfig):
messages = state['messages']
last_message = messages[-1]
# 如果最后一条消息是LL决定使用工具调用，则继续
if last_message.tool_calls:
return 'continue'
# 否则，结束
return 'end'有了这三样东西，只是有了构建状态图（StateGraph）的基础原料。要让状态图运行起来，还需要 定义节点和边之间的关系。在下面的代码中，我们先将节点添加到 StateGraph 实例中，然后以正确的顺序桥接它们。这样我们就获得了一个可以运行的工作流。
# 创建图
builder = StateGraph(MessagesState)
# 添加节点
builder.add_node('assistant', assistant)
builder.add_node('tool', tool_node)
# 添加边（从START到assistant）
builder.add_edge(START, 'assistant')
# 添加条件边（根据assistant的输出，决定是否调用工具）
builder.add_conditional_edges(
# 条件边连接的节点
'assistant',
# 条件边判断逻辑
should_continue,
# 条件边判断逻辑为True时，调用tool节点
{
'continue': 'tool',
'end': END,
},
)
# 添加边：调用工具节点后回到assistant
builder.add_edge('tool', 'assistant')
# 编译图
my_graph = builder.compile(name='my-graph')
my_graph
从可视化结果来看，助手节点 assistant 与工具节点 tool 之间存在循环调用。因此，我们创建的是 有向循环图。下面来看一下，当询问上海天气时，工作流的运行过程。
# 调用图
response = my_graph.invoke({'messages': [HumanMessage(content='上海天气怎么样？')]})
for message in response['messages']:
message.pretty_print()================================ Human Message =================================
上海天气怎么样？
================================== Ai Message ==================================
Tool Calls:
get_weather (call_35b1a72ef3cb42ce9275c867)
Call ID: call_35b1a72ef3cb42ce9275c867
Args:
city: 上海
================================= Tool Message =================================
Name: get_weather
It's always sunny in 上海!
================================== Ai Message ==================================
上海的天气很好，总是阳光明媚！