先来看一个LangGraph图中条件边的用法示例：

# -*- coding: utf-8 -*-
"""
Created on Fri Jul 25 09:46:52 2025

@author: liguo
"""
from typing import TypedDict
from langgraph.graph import StateGraph, START, END

# 定义状态结构
class State(TypedDict):
    value: int

def start(state: State) -> State:
    print("启动节点")
    return {"value": 5}

def process_a(state: State) -> State:
    print("执行路径A")
    return state

def process_b(state: State) -> State:
    print("执行路径B")
    return state

def decide_next(state: State) -> str:
    if state["value"] > 3:
        return "process_a"
    return "process_b"

# 创建 StateGraph 实例
workflow = StateGraph(State)

# 添加节点
workflow.add_node("start", start)
workflow.add_node("process_a", process_a)
workflow.add_node("process_b", process_b)

# 设置入口
workflow.set_entry_point("start")

# 添加条件边（注意：现在直接返回目标节点名）
workflow.add_conditional_edges(
    "start",
    decide_next,
    {  # 可选：显式映射，但如果你的 decide_next 直接返回节点名，可以省略这个字典
        "process_a": "process_a",
        "process_b": "process_b"
    }
)

# 添加普通边
workflow.add_edge("process_a", "process_b")
workflow.add_edge("process_b", END)  # 设置结束点

# 编译并运行
app = workflow.compile()
result=app.invoke({"value": "your_output_value"})

print(result)

代码执行结果

C:\Users\xiayu\miniconda3\envs\langchain03\python.exe C:\Users\xiayu\PyCharmMiscProject\AI-Agent-Dev-Practices-Code\第8章代码\8.19-条件边示例.py 
启动节点
执行路径A
执行路径B
{'value': 5}

Process finished with exit code 0

示例代码中条件边简析

条件边是实现分支逻辑的关键部分。
代码回顾：
workflow.add_conditional_edges(
    "start",           # 来源节点
    decide_next,       # 决策函数
    {                  # 映射字典
        "process_a": "process_a",
        "process_b": "process_b"
    }
)

条件边的三个组成部分

1. 来源节点​ ("start")

• 表示从哪个节点出发做决策
• 执行完 start节点后，会调用决策函数

2. 决策函数​ (decide_next)

这是最核心的部分：

def decide_next(state: State) -> str:
    if state["value"] > 3:
        return "process_a"  # 返回下一个节点的名称
    return "process_b"      # 返回下一个节点的名称

• 接收当前状态作为输入
• 根据业务逻辑返回下一个节点的名称
• 返回值必须是映射字典中的键

3. 映射字典

{
    "process_a": "process_a",  # 键: 决策函数的返回值
    "process_b": "process_b"   # 值: 实际的目标节点名
}

• 键：决策函数可能返回的字符串
• 值：对应的下一个节点名称
• 这个映射是可选的，如果省略，决策函数需要直接返回节点名

执行流程

graph LR
    A[start节点] --> B{条件判断 decide_next}
    B -- "返回'process_a'" --> C[process_a]
    B -- "返回'process_b'" --> D[process_b]
执行 start节点
调用 decide_next(state)函数
根据 state["value"]的值决定：
如果 > 3：返回 "process_a"
如果 ≤ 3：返回 "process_b"
根据返回值选择下一个节点

条件边的核心作用

1. 动态路由
根据运行时数据决定执行路径，实现类似 if-else的逻辑。

2. 决策与执行分离
决策逻辑封装在 decide_next函数中，节点只负责执行操作。

3. 可配置的映射
通过映射字典，可以灵活改变决策结果和目标节点的对应关系。

简化写法（省略映射字典）

如果决策函数直接返回节点名，可以省略映射字典：
# 决策函数直接返回节点名
def decide_next_simple(state: State) -> str:
    if state["value"] > 3:
        return "process_a"  # 直接返回节点名
    return "process_b"      # 直接返回节点名

# 条件边简化写法
workflow.add_conditional_edges(
    "start",
    decide_next_simple
    # 省略映射字典，决策函数必须直接返回有效的节点名
)

条件边总结

条件边是 LangGraph 中实现工作流分支的核心机制：

• 让工作流能够根据运行时状态做出决策
• 将决策逻辑和执行逻辑分离
• 支持复杂的业务流程控制
• 是构建智能代理、决策系统等应用的基础

在你的代码中，条件边实现了根据输入值的大小选择不同处理路径的逻辑，这是构建灵活工作流的关键。