上一章内容在这-> 【LangGraph】实战：基于 LangGraph 实现的智能文档问答系统

前言

在用 LangGraph 写 AI 应用的时候，很多人一开始会有点懵：

1. 我应该怎么设计节点？
2. 流程顺序怎么定？
3. 什么时候分步骤？
4. 什么时候合并？

其实，这些问题都有套路可循

提示链（Prompt Chain） 就是最常见、也最容易上手的一种设计模式

一句话解释提示链： 把一个复杂任务拆成 N 个小步骤，让 LLM 一个接一个完成，像工厂流水线一样

这篇文章不会讲太虚的概念，而是直接从一个写文章的案例出发，一步步拆解代码和思路
看完你就能直接套用到自己的项目里

---

一、一篇文章是怎么“链”出来的？

假设我们要写一篇《计算机学生的未来就业？》的文章

如果你直接丢给模型：

大概率会得到：

• 结构乱，东一榔头西一棒子

• 质量时好时坏，不可控

• 内容太长或太短，没法调

---

那问题出在哪？
你把“写文章”这一个任务，一次全扔给了模型

模型不是超人，它更适合一次做一小件事

所以正确的做法是拆成 4 步：

1. 先写大纲（只列 2 个核心标题）

2. 再根据大纲写初稿（每个标题下不超过 3 句话）

3. 润色初稿（优化表达，但不要拉太长）

4. 最后整合成终稿（把大纲 + 润色版一起喂给模型）

这就是一个典型的提示链流程

---

二、在 LangGraph 里，提示链长什么样？

LangGraph 把每个步骤叫 Node（节点）

步骤之间的顺序叫 Edge（边）

中间传递的数据叫 State（状态）

所以一个提示链 = 一组节点 + 一条直线边 + 一个共享的 State

---

2.1 状态定义（State）

我们要区分三样东西：

• 输入（topic）：用户给的主题

• 中间产物：大纲、初稿、润色稿

• 输出（output）：最终文章

代码里用 TypedDict 来定义这些：

from typing import TypedDict
# TypedDict 是带类型注解的字典可以给代码定规矩用

# 只需要输入
class InputState(TypedDict):
    topic: str

# 只需要输出
class OutState(TypedDict):
    final_content: str

# 整个过程要用的全部字段
class OverState(InputState, OutState):
    outline: str          # 大纲
    draft: str            # 初稿
    polished_draft: str   # 润色稿

这种分法看起来有点啰嗦，但好处是清晰：

我们可以一眼就知道哪些是输入，哪些是中间产物，哪些是最终结果

---

2.2 四个节点怎么写（附完整提示词）

这里我用的是openai的 gpt-4o-mini模型（练习可以用阿里的qwen-plus）

from langchain.chat_models import init_chat_model

model = init_chat_model("gpt-4o-mini")
)
#节点1：生成大纲
PROMPT_1 = (
    "根据主题生成文章大纲。\n"
    "主题：{topic}\n"
    "要求："
    "1.只需两个最核心标题"
    "2.不用进行说明，只返回最终大纲"
)

def node1(state: InputState):
    print("内容大纲生成中...")
    topic = state["topic"]
    prompt = PROMPT_1.format(topic=topic)
    result = model.invoke([HumanMessage(content=prompt)]).content
    print(f"大纲已生成：\n{result}\n")
    return {
        "outline": result,
        "topic": topic
    }

节点2：生成初稿
python
PROMPT_2 = (
    "根据以下内容生成文章完整初稿。\n"
    "主题：{topic}\n"
    "大纲: {outline}\n"
    "要求："
    "1.每个标题下，最多使用三句话"
    "2.不用说明，只返回结果"
)

def node2(state: OverState):
    print("生成初稿中...")
    topic = state["topic"]
    outline = state["outline"]
    prompt = PROMPT_2.format(topic=topic, outline=outline)
    result = model.invoke([HumanMessage(content=prompt)]).content
    print(f"初稿已生成：\n{result}\n")
    return {"draft": result}
节点3：润色
python
PROMPT_3 = (
    "根据文章初稿进行润色。\n"
    "主题：{topic}\n"
    "初稿: {draft}\n"
    "要求：润色后，文章不能太长"
)

def node3(state: OverState):
    print("文章润色中...")
    prompt = PROMPT_3.format(topic=state["topic"], draft=state["draft"])
    result = model.invoke([HumanMessage(content=prompt)]).content
    print(f"润色完成：\n{result}\n")
    return {"polished_draft": result}
节点4：终稿整合
PROMPT_4 = (
    "根据润色版文章，生成文章终稿。\n"
    "主题：{topic}\n"
    "大纲: {outline}\n"
    "润色版: {polished_draft}\n"
)

def node4(state: OverState):
    print("最终文章生成中...")
    prompt = PROMPT_4.format(
        topic=state["topic"],
        outline=state["outline"],
        polished_draft=state["polished_draft"]
    )
    result = model.invoke([HumanMessage(content=prompt)]).content
    print(f"终稿：\n{result}\n")
    return {"final_content": result}

---

2.3 把节点串成图

from langgraph.constants import START
from langgraph.graph import StateGraph

builder = StateGraph(
    OverState,
    input_schema=InputState,
    output_schema=OutState
)

---

2.4 一次性按顺序添加 4 个节点

builder.add_sequence([node1, node2, node3, node4])
builder.add_edge(START, "node1")

graph = builder.compile()

add_sequence 是 LangGraph 提供的一个小糖，自动按列表顺序添加节点，并从前一个节点连接到后一个节点
就等价于手动写 3 条 add_edge

---

2.5 运行结果

result = graph.invoke({"topic": "计算机学生的未来就业？"})

print(result)

你会看到控制台依次打印：

**************************************************
内容大纲生成中...
大纲已生成：
1. 技术方向多元化
2. 跨领域融合机遇

**************************************************
生成初稿中...
...

最终文章生成中...
最后输出的 result["final_content"] 就是成品。

---

三、为什么提示链模式这么好用？

3.1 优点：

1. 稳定：每一步只做一件事，LLM 不容易跑偏

2. 可控：每一步的 prompt 可以单独调优。比如大纲写太细了，只改第一步就行

3. 好调试：哪一步输出不对劲，一眼就能看出来，直接打印中间结果

4. 可复用：大纲节点、润色节点可以单独拿出来用在别的地方

---

3.2 缺点：

1. 流程固定：不能根据内容动态跳转，比如初稿质量很高就不需要润色了——提示链做不到，得用更复杂的 Router 模式

2. 不适合强推理任务：比如数学证明、多步逻辑推理，每一步依赖前一步但可能反复修改，这种提示链会很死板

---

四、什么时候该用提示链？

以我自己的经验，下面这些任务用提示链特别顺手：

文章 / 报告生成：大纲 → 初稿 → 润色 → 终稿

内容总结：原文 → 关键句提取 → 摘要 → 精简总结

翻译 + 校对：翻译 → 语法检查 → 风格统一

代码生成：需求 → 伪代码 → 实现 → 注释 / 测试

一句话：凡是能拆成线性的、依赖明确的步骤，都可以上提示链

---

五、总结

LangGraph 本身很灵活，但如果你一上来就想用复杂的图结构（比如循环、条件分支），很容易把自己绕晕

从提示链开始，是最低成本的入门方式

你可以把它想象成：

不是让一个超人 AI 把所有活干完，
而是把一群普通 AI 串起来，每人干一点，最后合起来效果反而更好

---

今天的分享就到了，拜拜~