从 Activiti 到 LangGraph：为什么说 AI Agent 的本质是“工作流引擎”？

引言

如果你是一名深耕 Java 领域、用过 Activiti 或 Flowable 的开发者，当你第一次接触到 LangChain 的最新框架 LangGraph 时，你可能会有一种强烈的既视感。

没错，你的直觉是对的。在“提示词工程”逐渐向“代理工作流”演进的今天，LangGraph 本质上就是一套适配 LLM 时代的轻量级、代码化、具备异步处理能力的 BPMN 引擎。

一、 核心概念：换个名字的“老朋友”

在 LangGraph 中，很多概念都能在 Activiti 中找到完美的映射。我们可以通过下表快速建立认知：

功能维度 Activiti (BPMN 2.0) LangGraph (Python) 核心本质
流程定义 Process Definition (XML) StateGraph 规定流程的“蓝图”
执行单元 Service Task / User Task Node (Python Function) 每一个具体干活的“步骤”
数据传递 Process Variables State (TypedDict) 贯穿始终的“全局变量池”
逻辑网关 Exclusive Gateway (XOR) Conditional Edge 决定下一步去哪里的“分叉口”
持久化 DB Persistence (ACT_RU_*) Checkpointer (Saver) 断点续传、状态保存的“记事本”
人工干预 User Task (Wait State) interrupt() 程序暂停，等待外部信号“唤醒”

二、 为什么 LangGraph 选择了“图”而不是“链”？

早期的 LangChain 强调 Chain（链），就像是硬编码的脚本，一条路走到黑。但这无法应对 AI 的复杂性。

  1. 确定性 vs. 可能性：
  2. Activiti 的路由通常基于硬逻辑（如 金额 > 5000）。而 LangGraph 的节点往往是一个 LLM 思考步骤。它通过理解语义来决定路由，例如：“如果用户语气愤怒，则跳转到‘人工介入’节点”。
  3. 高频循环 (Agentic Loop)：
  4. 在传统流程中，循环（Loop）往往意味着异常。但在 AI 领域，循环是常态。
    • 示例：AI 写代码 -> 运行测试 -> 报错 -> 返回 AI 修复 -> 再次运行。
  6. LangGraph 原生支持这种**“思考-行动-观察”**的闭环，这是传统 BPMN 引擎难以优雅处理的。

三、 深度解析：LangGraph 的三大杀手锏

1. 状态管理 (The State)

在 Activiti 里，我们习惯用 Map<String, Object> 存变量。LangGraph 将其升级为 TypedDict + Reducers。 你可以精确定义：

  • messages 字段是 Append（追加） 模式，保留对话全历史。
    • current_status 字段是 Replace（覆盖） 模式，只保留最新进度。
  • 这种声明式的状态管理，比手动维护 Context 对象要安全得多。

2. “时间旅行”与持久化 (Time Travel)

Activiti 的执行记录存在数据库表里，LangGraph 的 Checkpointer 也是如此。 这意味着你可以实现 “时间旅行”：

  • 发现 AI 在第 5 步回答错了？没关系。你可以回滚到第 4 步的状态，修改 Prompt，然后让它重新生成。这种调试能力是传统开发不敢想象的。

3. 人工参与 (Human-in-the-loop)

这是邮件代理等复杂场景的核心。 通过 interrupt()，LangGraph 模拟了 Activiti 的 Wait State。当程序执行到关键步骤（如：涉及金钱交易、回复敏感邮件），它会自动挂起。

  • 保存状态 -> 退出线程 -> 等待人工审核 -> Resume 恢复执行。
  • 这保证了 AI 的行为永远在人类的“安全围栏”之内。

四、 总结：开发者该如何选择？

如果你只是想写一个简单的 QA 机器人，用普通的 LCEL (LangChain Expression Language) 就够了。

但如果你要构建的是一个真正的生产级 Agent：

  • 它需要调用多个工具。
    • 它需要根据结果反复重试。
    • 它需要人类在关键节点把关。 那么，请放下你手中的“链”，像设计 Activiti 流程图一样，去构建你的 LangGraph。

AI 开发的终点，终究会回归到对业务流程的精细化治理上。

💡 贴士：如果你已经熟悉 TypedDict 和 operator.add，你其实已经掌握了 LangGraph 的“流程变量声明”技巧。下一步，试着画出你的 StateGraph 吧！