在 Graph API 和 Functional API 之间做选择

LangGraph 提供两种不同的 API 来构建智能体工作流：Graph API 和 Functional API。两种 API 共享同一底层运行时，并且可以在同一个应用中一起使用，但它们面向不同的用例和开发偏好。

本指南将帮助你根据具体需求理解何时使用哪种 API。

快速决策指南

在以下情况下使用 Graph API：

• 用于调试和文档的复杂工作流可视化
• 跨多个节点共享数据的显式状态管理
• 具有多个决策点的条件分支
• 需要稍后合并的并行执行路径
• 团队协作，其中可视化表示有助于理解

在以下情况下使用 Functional API：

• 对现有过程式代码的最小代码更改
• 标准控制流（if/else、循环、函数调用）
• 无需显式状态管理的函数作用域状态
• 样板代码更少的快速原型开发
• 具有简单分支逻辑的线性工作流

详细比较

何时使用 Graph API

Graph API 使用声明式方法，你通过定义节点、边和共享状态来创建可视化的图结构。

1. 复杂的决策树和分支逻辑

当你的工作流有多个依赖各种条件的决策点时，Graph API 会将这些分支变得显式且易于可视化。

# Graph API: Clear visualization of decision paths
from langgraph.graph import StateGraph
from typing import TypedDict

class AgentState(TypedDict):
    messages: list
    current_tool: str
    retry_count: int

def should_continue(state):
    if state["retry_count"] > 3:
        return "end"
    elif state["current_tool"] == "search":
        return "process_search"
    else:
        return "call_llm"

workflow = StateGraph(AgentState)
workflow.add_node("call_llm", call_llm_node)
workflow.add_node("process_search", search_node)
workflow.add_conditional_edges("call_llm", should_continue)

2. 跨多个组件的状态管理

当你需要在工作流的不同部分之间共享和协调状态时，Graph API 的显式状态管理会很有帮助。

# Multiple nodes can access and modify shared state
class WorkflowState(TypedDict):
    user_input: str
    search_results: list
    generated_response: str
    validation_status: str

def search_node(state):
    # Access shared state
    results = search(state["user_input"])
    return {"search_results": results}

def validation_node(state):
    # Access results from previous node
    is_valid = validate(state["generated_response"])
    return {"validation_status": "valid" if is_valid else "invalid"}

3. 带同步的并行处理

当你需要并行运行多个操作然后合并其结果时，Graph API 能自然地处理这一点。

# Parallel processing of multiple data sources
workflow.add_node("fetch_news", fetch_news)
workflow.add_node("fetch_weather", fetch_weather)
workflow.add_node("fetch_stocks", fetch_stocks)
workflow.add_node("combine_data", combine_all_data)

# All fetch operations run in parallel
workflow.add_edge(START, "fetch_news")
workflow.add_edge(START, "fetch_weather")
workflow.add_edge(START, "fetch_stocks")

# Combine waits for all parallel operations to complete
workflow.add_edge("fetch_news", "combine_data")
workflow.add_edge("fetch_weather", "combine_data")
workflow.add_edge("fetch_stocks", "combine_data")

4. 团队开发和文档

Graph API 的可视化特性使团队更容易理解、记录和维护复杂的工作流。

# Clear separation of concerns - each team member can work on different nodes
workflow.add_node("data_ingestion", data_team_function)
workflow.add_node("ml_processing", ml_team_function)
workflow.add_node("business_logic", product_team_function)
workflow.add_node("output_formatting", frontend_team_function)

何时使用 Functional API

Functional API 使用命令式方法，将 LangGraph 功能集成到标准的过程式代码中。

1. 现有的过程式代码

当你已有使用标准控制流的代码，并希望以最小的重构添加 LangGraph 功能时。

# Functional API: Minimal changes to existing code
from langgraph.func import entrypoint, task

@task
def process_user_input(user_input: str) -> dict:
    # Existing function with minimal changes
    return {"processed": user_input.lower().strip()}

@entrypoint(checkpointer=checkpointer)
def workflow(user_input: str) -> str:
    # Standard Python control flow
    processed = process_user_input(user_input).result()

    if "urgent" in processed["processed"]:
        response = handle_urgent_request(processed).result()
    else:
        response = handle_normal_request(processed).result()

    return response

2. 逻辑简单的线性工作流

当你的工作流主要是顺序执行且具有直接的条件逻辑时。

@entrypoint(checkpointer=checkpointer)
def essay_workflow(topic: str) -> dict:
    # Linear flow with simple branching
    outline = create_outline(topic).result()

    if len(outline["points"]) < 3:
        outline = expand_outline(outline).result()

    draft = write_draft(outline).result()

    # Human review checkpoint
    feedback = interrupt({"draft": draft, "action": "Please review"})

    if feedback == "approve":
        final_essay = draft
    else:
        final_essay = revise_essay(draft, feedback).result()

    return {"essay": final_essay}

3. 快速原型开发

当你希望快速测试想法，而不想承担定义状态 schema 和图结构的开销时。

@entrypoint(checkpointer=checkpointer)
def quick_prototype(data: dict) -> dict:
    # Fast iteration - no state schema needed
    step1_result = process_step1(data).result()
    step2_result = process_step2(step1_result).result()

    return {"final_result": step2_result}

4. 函数作用域的状态管理

当你的状态天然地局限于各个函数，且不需要广泛共享时。

@task
def analyze_document(document: str) -> dict:
    # Local state management within function
    sections = extract_sections(document)
    summaries = [summarize(section) for section in sections]
    key_points = extract_key_points(summaries)

    return {
        "sections": len(sections),
        "summaries": summaries,
        "key_points": key_points
    }

@entrypoint(checkpointer=checkpointer)
def document_processor(document: str) -> dict:
    analysis = analyze_document(document).result()
    # State is passed between functions as needed
    return generate_report(analysis).result()

组合使用两种 API

你可以在同一个应用中一起使用两种 API。当系统的不同部分有不同需求时，这会很有用。

from langgraph.graph import StateGraph
from langgraph.func import entrypoint

# Complex multi-agent coordination using Graph API
coordination_graph = StateGraph(CoordinationState)
coordination_graph.add_node("orchestrator", orchestrator_node)
coordination_graph.add_node("agent_a", agent_a_node)
coordination_graph.add_node("agent_b", agent_b_node)

# Simple data processing using Functional API
@entrypoint()
def data_processor(raw_data: dict) -> dict:
    cleaned = clean_data(raw_data).result()
    transformed = transform_data(cleaned).result()
    return transformed

# Use the functional API result in the graph
def orchestrator_node(state):
    processed_data = data_processor.invoke(state["raw_data"])
    return {"processed_data": processed_data}

在 API 之间迁移

从 Functional API 迁移到 Graph API

当你的函数式工作流变得复杂时，你可以迁移到 Graph API：

# Before: Functional API
@entrypoint(checkpointer=checkpointer)
def complex_workflow(input_data: dict) -> dict:
    step1 = process_step1(input_data).result()

    if step1["needs_analysis"]:
        analysis = analyze_data(step1).result()
        if analysis["confidence"] > 0.8:
            result = high_confidence_path(analysis).result()
        else:
            result = low_confidence_path(analysis).result()
    else:
        result = simple_path(step1).result()

    return result

# After: Graph API
class WorkflowState(TypedDict):
    input_data: dict
    step1_result: dict
    analysis: dict
    final_result: dict

def should_analyze(state):
    return "analyze" if state["step1_result"]["needs_analysis"] else "simple_path"

def confidence_check(state):
    return "high_confidence" if state["analysis"]["confidence"] > 0.8 else "low_confidence"

workflow = StateGraph(WorkflowState)
workflow.add_node("step1", process_step1_node)
workflow.add_conditional_edges("step1", should_analyze)
workflow.add_node("analyze", analyze_data_node)
workflow.add_conditional_edges("analyze", confidence_check)
# ... add remaining nodes and edges

从 Graph API 迁移到 Functional API

当你的图对于简单的线性流程变得过于复杂时：

# Before: Over-engineered Graph API
class SimpleState(TypedDict):
    input: str
    step1: str
    step2: str
    result: str

# After: Simplified Functional API
@entrypoint(checkpointer=checkpointer)
def simple_workflow(input_data: str) -> str:
    step1 = process_step1(input_data).result()
    step2 = process_step2(step1).result()
    return finalize_result(step2).result()

总结

当你需要对工作流结构进行显式控制、需要复杂分支、并行处理或团队协作优势时，请选择 Graph API。

当你希望以最小改动将 LangGraph 功能添加到现有代码、拥有简单的线性工作流，或需要快速原型开发能力时，请选择 Functional API。

两种 API 提供相同的 LangGraph 核心功能（持久化、流式传输、人在回路、记忆），但将它们封装在不同的范式中，以适应不同的开发风格和用例。

---