从手搓 Workflow 到 LangGraph：AI 流程编排的两种路径

短大纲（给忙人）

开头：审批流程改了三次，Prompt 也改了三次，最后没人知道逻辑在哪

你遇到过没？需求说「超过 1000 块要人工审」，改完又说「病假超过 3 天也要」，再加一条「周末加班调休走快速通道」……每改一次，你就在 Prompt 里塞一段话，最后那个 Prompt 像一锅乱炖：谁都能往里加料，但没人敢动筷子——怕哪句逻辑冲突了。

流程一复杂，光靠「堆 Prompt」就顶不住了。分支多、要查库、要调接口、还要有审计，你总不能靠「请继续」把整条链路串起来。

更靠谱的做法是：把流程当程序写出来。节点做具体事，边决定往哪跳，状态在中间传递。这就是 Workflow 编排的思想——跟画流程图差不多，只不过这张图真的能跑。

我去年在 lazy-form-instructor 里手搓了一个简陋的 workflow 引擎 lazy-form-workflow，后来又仔细看了 LangGraph 的实现。两者思路高度一致，只是语言、生态和细节不一样。这篇就对照着讲讲，顺便帮你少踩我踩过的坑。

1) 本质：Workflow 就是「流程图 + 状态机」的合体

不管自研还是 LangGraph，核心抽象都一样，可以用四个词概括：

• 节点（Node）：执行一步逻辑，读写共享状态。相当于流程图里的一个方框。
• 边（Edge）：连接节点，决定「执行完 A 之后去哪」。相当于箭头。
• 条件边（Conditional Edge）：根据当前状态或节点输出，选择走哪条边。相当于流程图里的菱形判断框。
• 状态（State）：在节点之间传递的共享数据。相当于「全局变量」，每个节点都能读能写。

所以 Workflow 本质上就是一个有向图：你画出来的流程图，真的能跑。

图一般是 DAG（有向无环图），否则会死循环。LangGraph 支持环——比如 Agent 循环调用工具、直到满足条件才停——但会通过 checkpoint 和步数限制来控制，不会真给你跑到天荒地老。

2) 手搓版：lazy-form-workflow 怎么玩的

项目在 lazy-form-instructor/lazy-form-workflow，Java、Maven，零依赖 LangChain，适合嵌到现有 Java 后端里。当时做它的动机很简单：我们有个请假审批系统，规则一变再变，不想每次都改 Prompt，就想「能不能把流程当图配置出来」。

核心组件

节点类型

• StartNode / EndNode：入口和出口
• ActionNode：做确定性操作（查库、调 API 等）
• LogicDecisionNode：用 Predicate<WorkflowContext> 做布尔判断
• AiDecisionNode：调 LLM 做语义决策（审批、路由等），带置信度

条件边示例

graph.addEdge(new WorkflowEdge("check_amount", "high_value",
    (ctx, result) -> result.payload().equals(true), "HIGH_VALUE", 1));
graph.addEdge(new WorkflowEdge("check_amount", "low_value",
    (ctx, result) -> result.payload().equals(false), "LOW_VALUE", 0));

WorkflowEngine 按 priority 排序出边，找到第一个 canTraverse(ctx, result) 为 true 的边，就跳到对应节点。

坑点提示：priority 数值越大越优先。我一开始写反了，结果「低金额」分支总是先匹配，调试了半天才反应过来——这种顺序问题，写单元测试时一定要覆盖「每条边都能走到」的场景。

状态传递：Blackboard

WorkflowContext 就是一块共享黑板：

• request：解析后的表单/请求
• state：字符串状态（如 "PENDING_APPROVAL"）
• vars：键值对，节点可读写
• traceLog：执行轨迹，便于审计

每个节点拿到 ctx，改完再 return，下一个节点看到的已经是更新后的状态。

3) LangGraph：StateGraph + 条件边

LangGraph 是 LangChain 生态里的流程编排框架，用 Python 写，文档和示例都很丰富。

状态：TypedDict + Reducer

状态用 TypedDict 定义，每个字段的类型可以带 Reducer。为什么要 Reducer？因为多个节点可能都会往 messages 里追加内容，如果直接覆盖会丢数据，所以用 Reducer 定义「怎么合并」——比如 add_messages 就是「老列表 + 新列表」拼接。

class GraphState(TypedDict):
    question: str
    generation: str
    documents: List[str]
    messages: Annotated[list, add_messages]  # 用 reducer 合并

节点函数签名为 (state) -> dict，返回的 dict 会按 Reducer 规则合并进总状态。

建图：add_node / add_edge / add_conditional_edges

workflow = StateGraph(GraphState)
workflow.add_node("retrieve", retrieve)
workflow.add_node("grade_documents", grade_documents)
workflow.add_node("generate", generate)

workflow.add_edge(START, "retrieve")
workflow.add_edge("retrieve", "grade_documents")
workflow.add_conditional_edges(
    "grade_documents",
    decide_to_generate,  # 路由函数，返回 "generate" 或 "retrieve"
    {"generate": "generate", "retrieve": "retrieve"}
)
workflow.add_edge("generate", END)

app = workflow.compile()
result = app.invoke({"question": "..."})

add_conditional_edges 的第二个参数是一个函数，输入是 state，输出是边的 key（如 "generate"），用来查第三个参数里的映射，得到下一个节点。

和 lazy-form-workflow 的对应关系

4) 对比：什么时候用哪个

我自己选的话：审批、表单、内部流程这种业务，用 Java 自研能嵌进现有系统，trace 也好定制；Agent、RAG、多步推理这种，直接上 LangGraph，别 reinvent the wheel。

5) 可执行清单 + 常见坑

如果你在考虑「要不要自研 workflow」或「要不要切到 LangGraph」，先按下面 checklist 过一遍：

• [ ] 持久化：流程要断点续跑吗？LangGraph 有 checkpoint，自研要自己设计
• [ ] 人机协同：有没有人工审批、二次确认？两边都能做，LangGraph 有现成 human-in-the-loop
• [ ] 多 Agent：需要多个 Agent 协作吗？LangGraph 的 Supervisor 模式更成熟
• [ ] 技术栈：团队主力是 Java 还是 Python？会影响选型
• [ ] 审计：trace 要存哪里、查多久？自研的 traceLog 容易定制

常见坑：条件边没覆盖全会导致流程「静默结束」——找不到满足的边就直接停，既没报错也没跑到 End。所以建图时务必保证每个分支节点的出边能覆盖所有可能输出；或者显式加一条 default 边，把「意外情况」路由到人工或失败处理节点。

总结与思维导图

两种实现的本质都是：图 + 状态 + 条件边。区别在于状态模型（Blackboard vs TypedDict）、生态和持久化能力。选型时先想清楚持久化、人机协同、多 Agent 这些需求，再决定用现成框架还是自研。

如果你已经在一个框架里踩过坑，或者有更好的选型经验，欢迎在评论区聊聊——这种「流程当图跑」的思路，以后会越来越常见，早点把坑踩明白，省得后面重构。

@startmindmap
* Workflow 编排
** 核心抽象
*** 节点 Node
*** 边 Edge
*** 条件边 Conditional Edge
*** 状态 State
** lazy-form-workflow
*** Java / Maven
*** Blackboard 状态
*** BiPredicate 条件边
*** AiDecisionNode 做语义决策
** LangGraph
*** Python / LangChain
*** TypedDict + Reducer
*** add_conditional_edges
*** checkpoint 持久化
** 选型要点
*** 持久化需求
*** 人机协同
*** 技术栈
*** 审计与 trace
@endmindmap

扩展阅读

• LangGraph 官方文档
• lazy-form-instructor 仓库
• 用 AI Agent 处理复杂流程：先写 Workflow，再写 Prompt

本作品采用知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议进行许可。