LangGraph中的Reducer是什么
前情回顾
1.LangGraph 入门基础全解析
Reducer（归约器），说白了就是一个函数，它专门解决一个问题：当多个节点都想修改 State 中的同一个字段时，到底该怎么合并才算公平？
换个更直白的说法：Reducer 决定了 State 中某个字段的更新策略——是简单粗暴地覆盖？是规规矩矩地追加？还是累加到一起？或者是完全自定义的规则？
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 的世界里，多个节点按顺序执行，每一个都可能顺手修改一下 State。这就引出了一个经典的矛盾：
假如有两个答案摆在你面前：
- 2（后一个把前一个彻底覆盖掉）—— 这是 LangGraph 默认的脾气
- 3（1 + 2 累加起来，谁也别想抹掉谁）—— 这是 Reducer 出手之后的结果
Reducer 就是那个帮你做出选择的老司机。
默认行为 vs Reducer 行为
默认行为：覆盖（Override）
如果不指定 Reducer，LangGraph 的默认行为很霸道：后来者居上。
class MyState(TypedDict):counter: int# 没有 Reducername: str # 没有 Reducer
执行流程看下来是这样的：
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（节点 A 的贡献直接被抹掉了）最终结果：counter = 2
这种模式适合什么场景？就是那些你只需要最终值的场合，比如用户名、当前状态标志等，谁最后写就用谁的，没毛病。
Reducer 行为：合并（Merge）
一旦指定了 Reducer，画风就变了：
class MyState(TypedDict):counter: Annotated[int, operator.add] # 使用加法 Reducer
执行流程变成了这样：
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，把前面的贡献给累加上了！）最终结果：counter = 3
这种模式适合那些需要累积的场景，比如计数器、总分、消息列表——一个都不能少。
Reducer 的本质：一个普通函数
Reducer 其实没什么魔法，它就是普普通通的 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 已经内置了几个常用的 Reducer，直接用起来很方便：
| Reducer 函数 | 效果 | 等价于 |
|---|---|---|
operator.add | 数值相加 | lambda a, b: a + b |
operator.set | 集合合并 | lambda a, b: a | b |
add_messages | 消息列表追加 | 特殊处理，含 ID 去重 |
| 不指定 | 覆盖 | lambda a, b: b |
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。这场景够熟悉吧？
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，它的规则很简单：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，路径不是一条直线那么简单：
┌→ 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，后执行的节点会毫不留情地抹掉前一个节点的修改。有了 Reducer，两者的贡献就能共存，谁也不会被欺负。
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一遍，否则循环的意义何在？
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，自己动手写一个就是了：
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，这里把 LangGraph 内部处理 Reducer 的完整流程拆开来看：
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
| 问题 | 答案 |
|---|---|
| Reducer 是什么？ | 一个定义 State 字段更新规则的函数 |
| 默认行为是什么？ | 覆盖（新值替换旧值） |
| Reducer 改变什么？ | 从"覆盖"变成"合并/累加/自定义" |
| Reducer 的参数？ | (current_value, new_value) → merged_value |
| 为什么需要它？ | 因为图有分支和循环，需要累积而非覆盖 |
| 内置的有哪些？ | operator.add、operator.set、add_messages |
| 能自己写吗？ | 能，任何符合签名的函数都可以 |
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。
