惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

Martin Fowler
Martin Fowler
J
Java Code Geeks
博客园 - 【当耐特】
宝玉的分享
宝玉的分享
腾讯CDC
D
DataBreaches.Net
Microsoft Azure Blog
Microsoft Azure Blog
Engineering at Meta
Engineering at Meta
V
V2EX
F
Fortinet All Blogs
MyScale Blog
MyScale Blog
让小产品的独立变现更简单 - ezindie.com
让小产品的独立变现更简单 - ezindie.com
T
Tailwind CSS Blog
Jina AI
Jina AI
GbyAI
GbyAI
大猫的无限游戏
大猫的无限游戏
A
About on SuperTechFans
酷 壳 – CoolShell
酷 壳 – CoolShell
爱范儿
爱范儿
OSCHINA 社区最新新闻
OSCHINA 社区最新新闻
U
Unit 42
B
Blog
M
MIT News - Artificial intelligence
N
Netflix TechBlog - Medium

博客园_首页

Plist 二进制格式 Milvus 和 PGVector,哪个更好? OpenClaw 已过时?在 VS Code 中运行 Hermes Agent! 第30篇文章:一个大三计科生的自白 Manim如何在数学公式中完美显示中文? Docker 部署 RocketMQ 5 并发编程核心概念辨析 C#事务处理最佳实践:别再让“主表存了、明细丢了”的破事发生 CLI 是什么?为什么大厂突然集体卷命令行? 【从0到1构建一个ClaudeAgent】协作-自主Agent UIImageView 设置图片不生效的原因排查 最小二乘问题详解20:无先验约束下的增量式SFM自由网平差 痞子衡嵌入式:大话双核i.MXRT1180之XIP应用里借助MU实现可靠Flash IAP的方法 AI Chat 封装, SemanticKerne.AiProvider.Unified 已发布 Windows下右键编辑js文件无法打开记事本——在注册表中使用环境变量 在后台服务中使用 Scoped 服务,为什么总是报错? H200 安装驱动并使用sglang启动模型 wireshark 抓包Trap上报告警内容 我用 AI 辅助开发了一系列小工具(2):图片压缩工具 [A Primer On MC and CC] 2.1 Memory Consistency 1 - 指令重排序和 SC 模型 Oracle数据库SCN推进技术详解与实践指南 玩转控件:封装个带图片的Label控件 Claude Code 4.7 真正该升级的不是模型,而是你的工作流 前端小白一句话,AI 帮我做了个颜值拉满的桌面媒体播放器。当代码不再是门槛,一句话编程就是现实。 5. WorkBuddy: 小龙虾的灵魂三件套,让你的小龙虾不只是工具 SQLite 分片方案实战:三种分片策略的深度对比 告别简陋 UI!一款基于 Fluent Design 和基于 WinUI 的开源免费、现代化的 Avalonia UI 控件库 关于二进制排列组合枚举的总结 AI开发-python-LangGraph框架(3-27-LangGraph从零实现大模型智能决策工作流) ElasticSearch主分片和副本分片概念详解
AI开发-python-LangGraph框架(3-31-LangGraph 「合并式状态...
万笑佛 · 2026-04-23 · via 博客园_首页

在多智能体协作、并行任务处理的场景中,结果覆盖、数据冲突、状态混乱是最常见的痛点。当多个并行节点同时修改状态时,如何保证数据安全聚合、不丢失、不覆盖?LangGraph 提供的合并式状态(Annotated 自定义合并函数) 完美解决了这一核心问题。

本文将聚焦 LangGraph 模式 3:并行结果安全合并,深度拆解合并式状态的设计理念、核心机制与落地实现,带你掌握多并行任务的安全状态管理方案。

在实际开发中,我们经常需要同时执行多个独立任务:比如同时查询天气、获取时间、分析资讯,最终聚合所有结果生成答案。

传统的并行处理模式会面临致命问题:

  1. 结果覆盖:多个任务同时写入同一状态字段,后完成的任务会覆盖先完成的结果;
  2. 数据丢失:嵌套结构的结果无法自动融合,只能整体替换;
  3. 状态不可控:多节点协作时,无法保证状态的完整性和一致性。

这些问题直接导致并行任务的结果无法有效利用,多智能体协作也无法落地。而 LangGraph 的合并式状态,从状态定义层面就解决了并行结果的安全合并问题。

合并式状态是 LangGraph 状态管理的核心特性之一,也是本次并行安全合并的基石。

区别于普通状态的「覆盖式更新」,合并式状态通过 Annotated 注解绑定自定义合并函数,让状态在更新时不再直接替换旧值,而是执行自定义的合并逻辑。

最常用的合并逻辑就是字典的安全合并:旧字典 + 新字典 = 全新融合字典,既保留历史数据,又新增最新数据,从根源杜绝覆盖问题。

  • 安全无覆盖:并行任务的结果独立存储,互不干扰;
  • 嵌套结构兼容:完美支持字典嵌套结构的合并;
  • 状态可追溯:保留所有任务的执行结果,便于后续聚合;
  • 低侵入性:仅需在状态定义时配置,无需修改任务逻辑。

基于合并式状态,我们可以轻松搭建并行扇出 - 安全合并 - 结果聚合的完整工作流,整个流程分为四大核心环节:

这是整个方案的核心环节。我们定义状态时,将需要并行写入的结果字段,通过注解绑定字典合并函数,声明它为合并式状态

同时规划状态结构:原始查询、并行合并结果、最终聚合答案,各司其职,让状态管理清晰有序。

创建多个异步并行任务节点(如天气查询、时间查询),每个任务模拟耗时操作,执行完成后,以任务名为唯一键写入合并状态

得益于合并式状态的机制,两个任务同时写入时,不会发生任何覆盖,各自的结果都会被完整保留。

LangGraph 内置的并行调度能力,会自动等待所有并行节点执行完毕,再触发聚合节点。

聚合节点无需手动处理异步等待,直接读取合并完成的完整状态,安全获取所有并行任务的结果,进行数据解析和最终决策生成。

通过 StateGraph 构建「起点扇出 → 并行执行 → 终点扇入聚合」的流程图,结构清晰直观。起点同时触发所有并行任务,所有任务完成后统一进入聚合节点,最后结束流程。

所有任务异步并行执行,总耗时等于耗时最长的单个任务,而非所有任务耗时之和,大幅提升执行效率。

合并式状态从底层保证并行结果不丢失、不覆盖,即使扩展更多并行任务,也无需担心状态冲突。

新增并行任务时,仅需添加新节点、写入独立键名,无需修改原有代码和合并逻辑,适配多智能体协作、多任务聚合的复杂场景。

聚合节点支持容错处理,即使某个任务结果缺失,也不会导致程序崩溃,保证工作流稳定运行。

这套基于合并式状态的并行结果安全合并方案,适用于绝大多数需要多任务并行的场景:

  • 多智能体(Agent)协作决策;
  • 并行数据采集与结果聚合;
  • 多接口并发调用与数据融合;
  • 复杂业务流程的并行分支处理;
  • 实时多维度信息分析与报告生成。

LangGraph 的合并式状态,是解决并行任务状态管理问题的「银弹」。它通过自定义合并函数,从状态定义层面杜绝了结果覆盖、数据丢失的问题,搭配并行扇出扇入的流程设计,让多任务并行、多智能体协作变得简单、安全、高效。

相比于传统的并行处理方案,这种状态驱动 + 合并机制的设计,更符合现代流式工作流的开发理念,代码简洁、扩展性强、健壮性高,是 AI 应用、复杂业务流程开发的必备实践。

掌握合并式状态的核心用法,你就能轻松应对各类并行任务的状态管理难题,让你的 LangGraph 应用更稳定、更强大。

代码实现:

"""
📌 模式3: 并行结果安全合并
核心机制: 自定义合并函数防止结果覆盖
适用场景: 多Agent协作、并行任务聚合、需要安全合并嵌套结构
"""
import asyncio
from typing import TypedDict, Dict, Annotated, Any
from langgraph.graph import StateGraph, START, END


# ===== 1. 状态定义(关键:自定义合并函数)=====
class ParallelState(TypedDict):
    """
    并行状态设计:
    - user_query: 原始查询(保留)
    - results: 使用自定义合并函数 → 安全合并嵌套字典
    - final_answer: 最终聚合结果
    """
    user_query: str
    # ⚠️ 核心:自定义合并函数实现 {**old, **new}
    results: Annotated[Dict[str, Any], lambda old, new: {**old, **new}]
    final_answer: str


# ===== 2. 并行任务节点 =====
async def task_weather(state: ParallelState) -> dict:
    """
    天气任务: 返回嵌套结果 {"weather": {...}}
    ⚠️ 必须使用任务名作为键,避免覆盖
    """
    await asyncio.sleep(0.4)  # 模拟耗时操作
    print("[🌤️ 天气任务] 完成 (0.4s)")
    return {
        "results": {
            "weather": {  # 关键:以任务名为键
                "temperature": 25,
                "condition": "sunny"
            }
        }
    }


async def task_time(state: ParallelState) -> dict:
    """
    时间任务: 返回嵌套结果 {"time": {...}}
    与天气任务互不干扰
    """
    await asyncio.sleep(0.3)  # 模拟耗时操作
    print("[⏰ 时间任务] 完成 (0.3s)")
    return {
        "results": {
            "time": {  # 关键:以任务名为键
                "hour": 15,
                "period": "afternoon"
            }
        }
    }


def aggregator_node(state: ParallelState) -> dict:
    """
    聚合节点: 综合所有并行结果
    自动等待所有触发的并行节点完成
    """
    print("\n[✅ 聚合节点] 所有并行任务完成!")
    print(f"  已收集结果: {list(state['results'].keys())}")

    # 安全访问结果(处理可能缺失的任务)
    weather = state["results"].get("weather", {})
    time = state["results"].get("time", {})

    # 生成综合决策
    decision = (
        f"📍 综合分析报告\n"
        f"{'─' * 30}\n"
        f"🌤️ 天气: {weather.get('temperature', 'N/A')}°C, {weather.get('condition', 'unknown')}\n"
        f"⏰ 时间: {time.get('hour', 'N/A')}点 ({time.get('period', 'unknown')})\n"
        f"{'─' * 30}\n"
        f"💡 建议: 下午时段天气晴朗,适合户外活动"
    )
    return {"final_answer": decision}


# ===== 3. 构建并行图 =====
def build_parallel_graph():
    builder = StateGraph(ParallelState)

    # 添加节点
    builder.add_node("weather_task", task_weather)
    builder.add_node("time_task", task_time)
    builder.add_node("aggregator", aggregator_node)

    # 并行扇出(从START同时触发两个任务)
    builder.add_edge(START, "weather_task")
    builder.add_edge(START, "time_task")

    # 扇入聚合(两个任务都完成后触发)
    builder.add_edge("weather_task", "aggregator")
    builder.add_edge("time_task", "aggregator")
    builder.add_edge("aggregator", END)

    return builder.compile()


# ===== 4. 执行演示 =====
async def main():
    print("=" * 60)
    print("🧠 模式3: 并行结果安全合并(自定义合并函数)")
    print("=" * 60)

    graph = build_parallel_graph()
    # 画图
    print(graph.get_graph().draw_ascii())

    # 初始状态(关键:results 必须初始化为空字典!)
    initial_state = {
        "user_query": "北京现在适合户外活动吗?",
        "results": {},  # ⚠️ 必须初始化,否则首次合并失败
        "final_answer": ""
    }


    # 记录时间验证并行
    start = asyncio.get_event_loop().time()
    final_state = await graph.ainvoke(initial_state)
    elapsed = asyncio.get_event_loop().time() - start

    print(f"\n【执行结果】")
    print(f"  总耗时: {elapsed:.2f}秒 ")
    print(f"\n{final_state['final_answer']}")




if __name__ == "__main__":
    asyncio.run(main())

结果输出:

============================================================
🧠 模式3: 并行结果安全合并(自定义合并函数)
============================================================
             +-----------+                
             | __start__ |                
             +-----------+                
            ***          **               
           *               **             
         **                  **           
+-----------+           +--------------+  
| time_task |           | weather_task |  
+-----------+           +--------------+  
            ***          **               
               *       **                 
                **   **                   
            +------------+                
            | aggregator |                
            +------------+                
                   *                      
                   *                      
                   *                      
              +---------+                 
              | __end__ |                 
              +---------+                 
[⏰ 时间任务] 完成 (0.3s)
[🌤️ 天气任务] 完成 (0.4s)

[✅ 聚合节点] 所有并行任务完成!
  已收集结果: ['weather', 'time']

【执行结果】
  总耗时: 0.42秒

📍 综合分析报告
──────────────────────────────
🌤️ 天气: 25°C, sunny
⏰ 时间: 15点 (afternoon)
──────────────────────────────
💡 建议: 下午时段天气晴朗,适合户外活动

更多学习资料尽在 老虎网盘资源