Phase 1 讲完了底层 core 的积木。从这一篇开始，我们进入整个系列的重心——LangGraph。
但为什么要专门用 10 篇来讲它？因为前面反复提到一个事实：真实的 LLM 应用不是直线流程，而是有循环、有分支、有中断的图。LCEL 的管道符能串直线，串不出这些。这一篇就把「为什么需要图」讲透，作为 Phase 2 的开篇。
直线模型能做什么，不能做什么
LCEL 管道是直线（严格说是有向无环图 DAG）：从左到右，一个组件接一个，走完就结束。
prompt → model → parser → 结束
直线模型适合的场景很明确：单轮、无循环、无分支。一次问答、一次抽取、一次简单 RAG（检索→拼接→生成）——这些都用直线，LCEL 足够。
但一旦你想做下面这些事，直线就力不从心了：
- 循环：Agent「思考 → 调工具 → 看结果 → 再思考」，这是循环，不是直线
- 条件分支：根据模型判断走不同路径（够答了就输出，不够就再查）
- 中断恢复：跑到一半暂停，等人审批，再继续
- 多轮记忆：基于历史对话决定下一步
为什么直线搞不定这些
逐个看直线模型的瓶颈在哪。
循环。直线模型是「走完即止」，没有「回到前面再来一轮」的概念。你想让 Agent 反复「思考-调工具」直到满意，用直线写只能写死循环次数，或者把「是否继续」的逻辑硬塞进某个组件——流程变得不可见、不可控。
条件分支。直线下一步是固定的（A 后面必是 B）。想「根据结果走 C 或 D」，你得在组件内部写 if/else，分支逻辑被埋进代码，看不见。
中断恢复。直线一旦开始就要走完，没法「停在中间」。想做「敏感操作前等人审批」，直线给不了「暂停」这个能力。
根本原因：直线模型假设流程是「一次走完的、单向的、无状态的」。但 Agent 的本质是有状态、可循环、可中断的——它更像一个长跑的过程，而不是一次百米冲刺。
图模型：用节点和连线表达任意流程
LangGraph 的解法是把流程建模成图：节点（node）是一步处理，连线（edge）决定下一步去哪。
图的强大在于连线是灵活的：
- 一条连线可以是「无条件」的（固定下一步）
- 也可以是「条件」的（根据当前状态决定下一步去哪）
- 还可以指回前面的节点（构成循环）
这就让前面四类需求都变得自然：
| 需求 | 直线模型 | 图模型 |
|---|---|---|
| 循环 | 写死次数或硬塞组件 | 连线指回前节点，天然循环 |
| 条件分支 | 组件内部 if/else | 条件连线，分支可见 |
| 中断恢复 | 做不到 | 节点可暂停，状态可保存 |
| 多轮记忆 | 难以表达 | 状态在节点间流转 |
一个例子：直线 vs 图表达同一个 Agent
假设要做一个「查资料再回答，不够就再查」的 Agent。
直线写法（勉强）：检索 → 模型 → 结束。但「不够就再查」做不了，只能希望一次检索够。
图写法：
[检索] → [模型判断: 够了吗?]
↓ 够 ↑ 不够(循环)
[输出回答] [再检索]
图把「不够就再查」这个循环，用一条从「判断」指回「检索」的连线干净地表达出来。流程是看得见的——你一眼能看出这个 Agent 怎么运转，而不是要钻进代码读 if/else。
图思维的转变
从直线到图，最大的转变是思维方式的转变：
- 直线思维：流程是「一条线」，我把它写出来
- 图思维：流程是「一张图」，我先画出来，再让框架按图执行
这个转变带来的好处是：流程变成了可设计、可审视、可修改的一等公民。你不再是在代码里隐式地实现流程，而是显式地定义一张图，框架负责按图跑。这也让流程可以被可视化、被测试、被恢复——这些是后面几篇要展开的。
收束：图是 Agent 的天然形状
这一篇立了 Phase 2 的基调：
- 直线模型适合单轮无分支，但 Agent 需要循环/分支/中断
- 图模型用节点和连线，能自然表达任意流程
- 从直线到图，是「隐式写流程」到「显式画流程」的转变
下一篇落到图的具体结构：StateGraph 的五要素——State、Node、Edge，加上 Reducer 和 Super-step，把这五个概念讲清，你就能看懂任何一张 LangGraph 图。
关于十三Tech
我是十三，All in AI Agent 方向的架构师，专注 AI 工程实践。我相信 AI 是程序员的最佳搭档。
如果你想跟完这套「图解 LangChain」，欢迎关注公众号 「十三Tech」。全系列 42 篇，会按认识基础、LangGraph 状态机、Agent 与 middleware、RAG 检索、Tools/MCP/记忆、生产化收束这条线更新。
