3. 基于LangGraph的反射型Agent

任务目标

构建一个基于LangGraph的反射型Agent，使其在生成初始回答后，能够根据外部反馈（模拟的批评意见）进行自我反思并修正输出，最终返回改进后的答案。该案例演示了Agent从“生成→反思→修正”的闭环工作流。

环境依赖

需要安装 langgraph 和 langchain-core。本案例使用模拟的LLM调用（返回固定字符串），因此无需真实即可运行。

pip install langgraph langchain-core

核心实现

工作流包含三个节点：generate（生成初始回答）、reflect（模拟外部反馈）、revise（根据反馈修正）。状态使用TypedDict定义，包含回答内容与反馈意见。通过条件边判断是否需要进入修正环节。

from typing import TypedDict
from langgraph.graph import StateGraph, END

class AgentState(TypedDict):
    question: str
    answer: str
    feedback: str
    revision_count: int

# 模拟LLM生成初始回答
def generate(state: AgentState) -> dict:
    # 模拟一个不够完善的初始回答
    initial = f"关于“{state['question']}”的初步回答：这是一个复杂问题，需要更多上下文。"
    return {"answer": initial, "revision_count": 0}

# 模拟外部批评/反馈（真实场景可替换为LLM评判或人工输入）
def reflect(state: AgentState) -> dict:
    # 固定模拟反馈：指出回答缺乏具体细节
    feedback = "批评：回答过于笼统，缺少具体步骤或示例。"
    return {"feedback": feedback}

# 根据反馈进行修正
def revise(state: AgentState) -> dict:
    revised = (f"修正后的回答（第{state['revision_count'] + 1}次）："
               f"针对“{state['question']}”，具体步骤如下：\n"
               f"1. 分析问题核心；\n"
               f"2. 给出可操作建议；\n"
               f"3. 提供示例说明。\n"
               f"原反馈：{state['feedback']}")
    return {"answer": revised, "revision_count": state["revision_count"] + 1}

# 判断是否继续修正（最多修正2次）
def should_revise(state: AgentState) -> str:
    if state["revision_count"] < 2:
        return "revise"
    return "end"

# 构建图
graph = StateGraph(AgentState)
graph.add_node("generate", generate)
graph.add_node("reflect", reflect)
graph.add_node("revise", revise)

graph.set_entry_point("generate")
graph.add_edge("generate", "reflect")
graph.add_conditional_edges("reflect", should_revise, {"revise": "revise", "end": END})
graph.add_edge("revise", "reflect")  # 修正后再次进入反馈环节

app = graph.compile()

# 执行
result = app.invoke({"question": "如何提高Python代码性能？", "answer": "", "feedback": "", "revision_count": 0})
print("最终回答：\n", result["answer"])
print("\n修正次数：", result["revision_count"])

运行与验证

直接运行上述脚本。预期输出应包含：

• 最终回答以“修正后的回答（第2次）：”开头（因为初始生成后经过2轮修正）；
• 回答中包含“1. 分析问题核心”等具体步骤，表明修正逻辑生效；
• 控制台打印“修正次数：2”。

若将should_revise中的阈值改为0，则不会进入修正，最终回答为初始版本——可用于对比验证反射机制确实被触发。

关键说明

• 本案例使用固定字符串模拟LLM输出与反馈，目的是聚焦LangGraph的反射控制流；接入真实LLM时，只需将generate和reflect节点内部替换为对应模型调用即可。
• 条件边should_revise展示了如何基于状态动态决定是否继续循环，这是反射型Agent的核心机制。
• 状态中revision_count用于防止无限循环，实际应用中可根据任务复杂度调整最大修正次数。