Langchain1.0-Langgraph1.0-Learning 条件路由:动态分支、决策树与重试逻辑设计
Langchain1.0-Langgraph1.0-Learning 条件路由:动态分支、决策树与重试逻辑设计
Langchain1.0-Langgraph1.0-Learning 是一个完整的 LangChain 1.0 与 LangGraph 1.0 学习仓库。本文聚焦其中的**条件路由(Conditional Edges)**实战模块,带你掌握 LangGraph 动态分支、决策树设计与重试逻辑三大核心技巧,快速构建可控的 AI Agent 工作流 🚀
为什么需要条件路由?
传统的 Chain 是"一条路走到黑":A → B → C,流程写死。而真实业务中的 AI Agent 往往需要根据运行时状态决定下一步做什么:
- 内容评分高就直接通过,低就退回修改;
- 任务失败了要自动重试,重试超限再走备用方案;
- 贷款申请要按信用分、收入等多个条件走不同审批分支。
这就是条件路由解决的问题:让工作流"会思考、会转弯、会兜底"。本仓库在第三阶段 phase3_advanced/18_conditional_routing/ 中专门用一节讲解它,配套概念笔记见 phase3_advanced/18_conditional_routing/README.md。
两种边:静态边 vs 条件边
| 边的类型 | 行为 | 使用场景 |
|---|---|---|
静态边 add_edge |
永远走向固定的下一个节点 | 流程固定不变 |
条件边 add_conditional_edges |
由路由函数动态选择下一个节点 | 需要根据状态分支 |
条件边的写法非常直白:给一个路由函数,它读取当前状态并返回一个"选项",再通过映射表把选项指向具体的节点:
graph.add_conditional_edges(
"evaluate", # 从哪个节点出发
route_by_score, # 路由函数,返回 "excellent" / "good" / ...
{
"excellent": "excellent",
"good": "good",
}
)
⚠️ 路由函数必须是纯函数(只读状态、无副作用),且返回值必须出现在映射表中,否则运行时会报错。
完整实现参考 phase3_advanced/18_conditional_routing/main.py。
动态分支:按评分走不同处理流程
第一个示例是一个内容评估系统:LLM 先给内容打分,然后根据分数动态路由到不同处理节点 👇
- 分数 ≥ 90 → 发送表扬通知
- 分数 ≥ 70 → 正常通过
- 分数 ≥ 50 → 生成改进建议
- 分数 < 50 → 拒绝并要求重新提交
路由函数的核心就是一个简单的 if/elif 判断(main.py 第 74-84 行):
def route_by_score(state) -> Literal["excellent", "good", "improve", "reject"]:
if state["score"] >= 90:
return "excellent"
elif state["score"] >= 70:
return "good"
# ...
这个模式的实战价值很高:用 LLM 打分 + 用图结构控制流程,是构建自动审核、内容质检类 Agent 的标准姿势。
重试逻辑设计:循环控制与兜底方案
条件边最强大的能力之一是指向自己形成循环——这正是实现重试的关键。
第二个示例模拟一个"随机失败 50% 的任务",工作流设计如下:
execute节点执行任务;- 路由函数检查:成功了 → 走
success节点; - 失败了且重试次数未超限 → 路由回
execute自己,再来一次; - 重试 3 次仍失败 → 走
fallback备用方案节点。
graph.add_conditional_edges("execute", should_retry, {
"retry": "execute", # 重试:回到执行节点
"fallback": "fallback", # 超限:走备用方案
"success": "success", # 成功:收尾
})
判断逻辑见 main.py 第 208-218 行的 should_retry 函数。这里有一个新手最容易踩的坑:一定要在状态里维护 retry_count 并与 max_retries 比较,否则任务失败时会陷入无限循环。重试的更高级玩法(指数退避、模型回退)可以接着学习 phase3_advanced/23_error_handling/ 模块,概念说明见 phase3_advanced/23_error_handling/README.md。
决策树:多条件组合路由
真实业务的分支往往不止一层。第三个示例模拟贷款审批决策树,把多个条件组合成一条完整的判断链路:
初步检查 ──┬─ 信用分 < 550 ──────────→ 自动拒绝
├─ 信用分 ≥ 750 ──→ 收入审查 ──┬─ 比值 ≤ 3 ──→ 批准
│ ├─ 比值 ≤ 5 ──→ 部分批准
└─ 中间信用分 ──→ 信用审查 ──┬─ 有抵押 ──→ 收入审查
└─ 无抵押 ──→ 人工审核
关键在于:条件边可以串联使用——每个审查节点后面都挂一个新的路由函数,形成"决策树的每一层"。最终无论走哪条路径,都汇聚到 4 个终态之一:批准 / 部分批准 / 人工审核 / 拒绝。这种"层层过滤、终态收敛"的结构,就是复杂工作流设计的核心思路,代码实现见 main.py 第 270-421 行。
实战三步走:如何上手这个模块
- 配置环境:在项目根目录的
.env中填入GROQ_API_KEY(示例使用免费的 Groq 模型),依赖安装可参考 requirements.txt; - 运行示例:执行
python phase3_advanced/18_conditional_routing/main.py,依次看到评分路由、重试机制、贷款决策树三个 Demo 的完整运行输出; - 动手改造:试着把评分阈值改掉、把
max_retries改成 10、给决策树加一个新分支,观察流程走向如何变化——这是理解条件路由最快的方式。
小结
条件路由是 LangGraph 从"能跑"到"好用"的分水岭。本文通过 phase3_advanced/18_conditional_routing/ 模块提炼了三个可复用的设计模式:
| 模式 | 一句话总结 | 典型应用 |
|---|---|---|
| 评分分支 | 用 LLM 打分驱动路由 | 内容审核、质检 |
| 循环重试 | 条件边指回自己 + 计数上限 | 容错、任务恢复 |
| 决策树 | 多层条件边串联、终态收敛 | 审批流、复杂业务编排 |
掌握它们之后,建议接着学习第三阶段的多智能体模块 phase3_advanced/17_multi_agent/(Supervisor 调度本质上就是条件路由)以及生产级错误处理,逐步过渡到 phase4_projects/ 的综合实战项目。
📖 更多学习路径详见 docs/SIMPLIFIED_LEARNING_PATH.md。
