LangGraph中CompiledGraph调用后intermediate_steps不完整问题解析
2025-07-04 12:48:11作者:秋阔奎Evelyn
在LangGraph项目开发过程中,我们遇到了一个关于Agent执行流程的有趣问题:当使用CompiledGraph调用结构化聊天Agent时,playground界面无法正确显示中间步骤(intermediate_steps)信息。这个问题涉及到LangGraph的核心工作流机制,值得深入探讨。
问题背景
在构建基于LangGraph的React风格Agent时,开发者设计了一个包含多个节点的执行图:
- Agent节点:负责决策和生成动作
- Action节点:负责执行工具调用
- 条件边缘:根据Agent输出决定继续执行还是结束
当这个工作流被编译(compile)后,通过playground界面测试时,虽然Agent能够正常执行搜索等操作,但关键的中间步骤信息却没有在输出中显示。
技术分析
深入代码实现,我们可以发现几个关键点:
-
状态管理:AgentState类型定义中,intermediate_steps字段被标记为可累加(Annotated),这意味着每次工具执行结果都应该被追加到这个列表中。
-
工作流设计:工作流正确设置了节点间的依赖关系,包括条件分支和普通边缘,理论上应该能够完整记录执行过程。
-
版本因素:问题最终在升级到LangGraph 0.0.32版本后解决,这表明这可能是一个已知的框架级问题。
解决方案
经过排查,正确的解决方法是:
- 版本升级:确保使用LangGraph 0.0.32或更高版本
- 配置补充:在调用CompiledGraph时显式添加配置信息
# 升级后正确的调用方式
response = self._workflow_complied.with_config(config).invoke({
"input": input["input"],
"chat_history": [],
})
深入理解
这个问题的本质在于工作流执行时的上下文保持机制。在早期版本中,CompiledGraph可能没有正确处理状态对象的传递,导致中间步骤信息在流程结束后丢失。新版本通过改进状态管理机制,确保了执行上下文的完整性。
对于开发者来说,这提醒我们在使用LangGraph构建复杂工作流时需要注意:
- 状态对象的生命周期管理
- 版本兼容性问题
- 配置信息的完整传递
最佳实践
基于这个案例,我们总结出以下LangGraph开发建议:
- 始终使用最新稳定版本
- 对于状态敏感的操作,显式验证中间状态
- 复杂工作流应包含完整的配置传递链
- 在playground测试前,先进行单元测试验证核心逻辑
这类问题的解决不仅修复了功能缺陷,也加深了我们对LangGraph内部工作机制的理解,为构建更可靠的AI应用奠定了基础。
登录后查看全文
热门项目推荐
相关项目推荐
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C030
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
26
10
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
425
3.26 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
334
暂无简介
Dart
686
161
Ascend Extension for PyTorch
Python
231
264
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
266
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.22 K
667
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
19
30