在基于 LangGraph 构建智能工作流、多步骤任务执行时，状态管理是整个流程的核心枢纽，它负责串联所有节点、存储全流程数据。今天给大家分享 LangGraph 中最基础、最常用的状态模式 ——覆盖式状态，也是新手入门必须掌握的核心机制。
覆盖式状态是 LangGraph 默认提供的浅合并状态模式，也是最简单、最直观的状态管理方式。
它的核心逻辑可以用一句话概括：节点只需要返回需要更新的字段，未返回的字段会自动保留原有值；返回的字段会直接覆盖状态中的旧值。
简单理解：状态就像一个全局的「数据账本」，每个执行节点只需要修改自己关心的那几项数据，不用关心其他数据，账本会自动帮你保留所有历史数据，只更新你指定的部分。
这是覆盖式状态最大的优势。在工作流的每个节点中，你不需要返回所有状态字段，只需要返回需要更新的字段即可。比如状态中包含用户查询、结果、步骤三个字段，某个节点只需要更新结果，那么用户查询和步骤会自动保留，无需手动传递。
更新方式为直接覆盖，返回什么新值，状态中对应的字段就变成什么值，没有复杂的合并规则，逻辑清晰易懂。
节点函数只关注自身的业务逻辑，不需要感知全局状态的完整结构，代码更简洁、维护成本更低。
开箱即用，无需额外配置状态合并规则，LangGraph 底层自动处理，适合快速开发。
这种模式虽然简单，但足以应对绝大多数基础工作流，典型使用场景：
只要你的工作流不需要复杂的状态合并（如列表追加、深度合并），覆盖式状态都是最优选择。
基于 LangGraph 实现覆盖式状态，只需要抓住四个核心步骤，全程无需自定义合并规则：
使用 TypedDict 定义固定结构的状态，明确所有需要存储的字段（如用户输入、中间结果、执行步骤等），作为全流程的数据规范。
每个节点函数接收当前完整状态作为参数，只返回需要更新的字段字典。未返回的字段，LangGraph 会自动保留；返回的字段，自动覆盖旧值。
使用 StateGraph 绑定定义好的状态结构，添加所有节点，设置节点之间的执行边，确定线性执行路径。
传入初始状态，启动图执行，全程状态自动流转、自动合并，最终拿到完整的最终状态。
整个实现过程，完全依托 LangGraph 的默认机制，代码简洁、可读性极高，新手也能快速上手。
✅ 开发极简：不用手动传递所有字段，减少冗余代码✅ 逻辑清晰：直接覆盖更新，无隐藏逻辑，易于调试✅ 自动保留：未修改数据全程留存，不丢失上下文✅ 默认支持：开箱即用，无需额外配置✅ 场景通用：满足大部分基础工作流需求
覆盖式状态是 LangGraph 状态管理的入门基石，也是构建线性工作流的首选方案。它用最简单的「自动保留 + 字段覆盖」机制，解决了工作流中数据传递和存储的核心问题。
当你的工作流是单路径、简单步骤、只需要基础数据更新时，优先使用覆盖式状态；后续遇到复杂场景（如列表追加、深度状态合并），再进阶学习自定义合并状态即可。
掌握这一模式，你就已经能快速搭建出稳定、简洁的 LangGraph 工作流啦！
代码实现：
"""
📌 模式1: 简单覆盖式状态
核心机制: 默认浅合并（只更新返回字段，其他字段自动保留）
适用场景: 简单工作流、单路径执行
"""
import asyncio
from typing import TypedDict
from langgraph.graph import StateGraph, START, END
# ===== 1. 状态定义 =====
class SimpleState(TypedDict):
"""
简单状态结构:
- query: 用户原始查询（全程保留）
- result: 中间/最终结果（逐步更新）
- step: 当前执行步骤（递增）
"""
query: str
result: str
step: int
# ===== 2. 节点函数 =====
def step_1_node(state: SimpleState) -> dict:
"""
第一步: 更新 step 和部分 result
⚠️ 注意: 未返回 'query' 字段，但会被自动保留！
"""
print(f"[Step1] 输入状态: {state}")
return {
"step": state["step"] + 1, # 更新 step
"result": "初步分析完成" # 更新 result
# query 字段未返回 → 自动保留原始值
}
def step_2_node(state: SimpleState) -> dict:
"""
第二步: 只更新 result，step 保持不变
"""
print(f"[Step2] 输入状态: {state}")
return {
"result": f"{state['result']} → 最终结论生成" # 仅更新 result
# step 和 query 自动保留
}
# ===== 3. 构建图 =====
def build_simple_graph():
builder = StateGraph(SimpleState)
builder.add_node("step_1", step_1_node)
builder.add_node("step_2", step_2_node)
builder.add_edge(START, "step_1")
builder.add_edge("step_1", "step_2")
builder.add_edge("step_2", END)
return builder.compile()
# ===== 4. 执行演示 =====
async def main():
print("=" * 60)
print("🧠 模式1: 简单覆盖式状态（默认浅合并）")
print("=" * 60)
graph = build_simple_graph()
# 画图
print(graph.get_graph().draw_ascii())
# 初始状态（包含所有字段）
initial_state = {
"query": "北京天气如何？",
"result": "初始状态",
"step": 0
}
print("\n【初始状态】")
print(f" {initial_state}")
# 执行图
final_state = await graph.ainvoke(initial_state)
print("\n【最终状态】")
print(f" {final_state}")
if __name__ == "__main__":
asyncio.run(main())
结果输出：
============================================================
🧠 模式1: 简单覆盖式状态（默认浅合并）
============================================================
+-----------+
| __start__ |
+-----------+
*
*
*
+--------+
| step_1 |
+--------+
*
*
*
+--------+
| step_2 |
+--------+
*
*
*
+---------+
| __end__ |
+---------+
【初始状态】
{'query': '北京天气如何？', 'result': '初始状态', 'step': 0}
[Step1] 输入状态: {'query': '北京天气如何？', 'result': '初始状态', 'step': 0}
[Step2] 输入状态: {'query': '北京天气如何？', 'result': '初步分析完成', 'step': 1}
【最终状态】
{'query': '北京天气如何？', 'result': '初步分析完成 → 最终结论生成', 'step': 1}
更多学习资料尽在 老虎网盘资源
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。