LangGraph中的Reducer指什么

前情回顾

1.LangGraph 入门基础全解析

Reducer（归约器）是一个函数，它定义了“当多个节点都想修改同一个 State 字段时，如何把这些修改合并成一个最终结果”。

或者说：Reducer 决定了 State 中某个字段的更新策略——是覆盖？是追加？是累加？还是其他自定义规则？

从问题出发理解 Reducer

核心矛盾：多个节点都要写同一个字段

在 LangGraph 中，多个节点会依次执行，每个节点都可能修改 State。这就产生了一个问题：

有两个答案：

1. 2（后一个覆盖前一个）—— 这是默认行为
2. 3（1 + 2 累加起来）—— 这是 Reducer 改变后的行为

Reducer 就是用来回答这个问题的工具。

默认行为 vs Reducer 行为

默认行为：覆盖（Override）

如果不指定 Reducer，LangGraph 的默认行为是覆盖：

class MyState(TypedDict):counter: int# 没有 Reducername: str # 没有 Reducer

执行流程：

初始状态：counter = 0节点 A 返回：{"counter": 1}→ 状态变为：counter = 1节点 B 返回：{"counter": 2}→ 状态变为：counter = 2（覆盖了节点 A 的 1）最终结果：counter = 2

适用于：只需要最终值的场景，比如用户名、当前状态标志等。

Reducer 行为：合并（Merge）

指定 Reducer 后，行为变为合并：

class MyState(TypedDict):counter: Annotated[int, operator.add] # 使用加法 Reducer

执行流程：

初始状态：counter = 0节点 A 返回：{"counter": 1}→ 状态变为：counter = 1节点 B 返回：{"counter": 2}→ 状态变为：counter = 3（1 + 2 = 3，累加了！）最终结果：counter = 3

适用于：需要累积的场景，比如计数器、总分、消息列表等。

Reducer 的本质：一个普通函数

Reducer 并没有什么魔法，它就是一个普通的 Python 函数，接收两个参数：

def reducer_func(current_value, new_value) -> final_value:"""current_value：当前 State 中该字段的值new_value：节点返回的该字段的新值return：合并后的最终值"""# 在这里定义你的合并逻辑return merged_result

LangGraph 内置了几个常用的 Reducer：

用生活例子彻底搞懂

场景：记账本

你和室友共用一本账本，记录每天的开销。

没有 Reducer（覆盖模式）：

周一：小明记了"吃饭 50元" → 账本：[吃饭 50元]周二：小红记了"打车 30元" → 账本：[打车 30元]← 周一的内容被覆盖了！周三：你们吵架了，因为周一的账找不到了

有 Reducer（追加模式）：

周一：小明记了"吃饭 50元" → 账本：[吃饭 50元]周二：小红记了"打车 30元" → 账本：[吃饭 50元, 打车 30元]← 追加在后面周三：月底算账，清清楚楚

在这个例子里，add 就是一个 Reducer，它的规则是：新来的记录追加到旧记录的后面，而不是替换它。

为什么 LangGraph 需要 Reducer？

原因一：图不是线性执行的

在 LangGraph 中，图可能有分支和循环：

┌→ 节点 B ─→┐START ─→┤├→ 节点 D └→ 节点 C ─→┘

节点 B 和节点 C 都可能修改同一个字段。如果没有 Reducer，后执行的节点会抹掉前一个节点的修改。有了 Reducer，两者的贡献可以共存。

原因二：循环需要累积

节点 A → 条件判断 → 未满足 → 回到节点 A（循环）

在循环中，每次经过节点 A 都可能产生新数据。Reducer 确保这些数据是累积的，而不是每次循环都重置。

原因三：可预测的状态变化

Reducer 让状态变化变得透明和可预测。你知道每个字段的更新规则是什么，不会出现“咦，这个值怎么不见了？”的困惑。

实战：自定义 Reducer

内置 Reducer 不能满足需求时，可以自己写：

示例1：限制列表长度

def last_n_reducer(n: int):"""只保留最近 n 条记录"""def reducer(old: list, new: list) -> list:combined = old + newreturn combined[-n:]return reducerclass MyState(TypedDict):recent_logs: Annotated[List, last_n_reducer(10)]# 只保留最近10条

示例2：字典合并

def dict_merge(old: dict, new: dict) -> dict:"""合并两个字典，新值覆盖旧值"""merged = old.copy()merged.update(new)return mergedclass MyState(TypedDict):metadata: Annotated[Dict, dict_merge]# 字典合并

示例3：取最大值

def max_reducer(old: float, new: float) -> float:"""保留最大值"""return max(old, new)class MyState(TypedDict):max_score: Annotated[float, max_reducer]# 保留最高分

Reducer 的完整工作流程

为了让你彻底明白，这里是 LangGraph 内部处理 Reducer 的完整流程：

1. 节点执行完毕，返回一个字典，比如 {"counter": 5}2. LangGraph 遍历这个字典的每个键值对3. 对于每个键（比如 "counter"）： a. 查找 State 定义中这个键有没有 Reducer b. 如果有 Reducer：- 获取当前 State 中 "counter" 的旧值（比如 3）- 调用 Reducer 函数：reducer(旧值=3, 新值=5)- 把 Reducer 的返回值（比如 8）写入 State c. 如果没有 Reducer：- 直接用新值（5）覆盖旧值（3）4. 更新后的 State 传递给下一个节点

面试级总结

一句话记住

现在你应该能理解，为什么 messages: Annotated[List, add_messages] 这么重要了吧？没有它，你的聊天 Agent 永远只能记住最后一句话。