LangGraph实战：如何用20行代码实现带记忆的多步Agent

兄弟们，最近在折腾AI Agent开发，发现LangGraph这个框架真的有点东西。它不像LangChain那样“黑盒”，而是用有向图来编排Agent的每一步，可控性极高。

今天分享一个**带状态记忆的多步Agent**实现思路。核心是定义“节点”（Node）和“边”（Edge）。比如你要做一个文档问答Agent，需要“意图识别→检索→生成回答”三步。

用LangGraph，你可以这样写：
```python
from langgraph.graph import StateGraph, END
graph = StateGraph(state_schema=AgentState)
graph.add_node("intent", intent_router)  # 节点1：意图识别
graph.add_node("retrieve", retriever)    # 节点2：检索
graph.add_node("generate", generator)    # 节点3：生成
graph.set_entry_point("intent")
graph.add_conditional_edges("intent", decide_next, {"retrieve": "retrieve", "END": END})
graph.add_edge("retrieve", "generate")
graph.add_edge("generate", END)
app = graph.compile()
```

**技术细节**：
- 状态（state）是全局字典，节点间共享数据，天然支持多轮对话记忆。
- 条件边（conditional_edges）让你能根据LLM输出动态决定下一步，比如意图不明确时重新提问。
- 实测在GPT-4o上，这类结构化Agent比单一Prompt调用节省20%的token（因为不再重复传递历史）。

**避坑指南**：
1. 节点函数必须返回一个dict更新state，别漏了。
2. 复杂任务建议用`MessageGraph`（消息图）替代`StateGraph`，对对话场景更友好。

社区里已经有人基于这个框架做了AutoGPT的简化版，代码不到100行。感兴趣的朋友可以试试，有问题直接回帖。