这一节我们讲讲langgraph图的递归限制 Recursion Limit，递归限制设置了图在单次执行过程中可以执行的最大超级步骤数。一旦达到该限制，LangGraph 将引发 GraphRecursionError 错误。默认情况下，此值设置为 25 步。递归限制可以在运行时为任何图进行设置，并通过配置字典传递给 .invoke 或 .stream 方法。需要注意的是，recursion_limit 是一个独立的配置键，不应像其他用户定义的配置那样放在 configurable 键内部。下面是一个示例：
graph.invoke(inputs, config={"recursion_limit": 5, "configurable":{"llm": "anthropic"}})
设置图形递归限制可以帮助您控制图形运行的时间长度，但如果达到递归限制，图形将返回一个错误——这可能并不适用于所有使用场景。相反，我们可能希望在达到递归限制之前返回状态值。下面我们将展示如何做到这一点。
我们将定义一个虚拟图，它总是会达到递归限制。首先，我们将在不返回状态的情况下实现它，并展示它确实达到了递归限制。这个图基于ReAct架构，但实际上并不进行决策和采取行动，而是永远循环下去。
from typing_extensions import TypedDict
from langgraph.graph import StateGraph
from langgraph.graph import START, ENDclass State(TypedDict):value: straction_result: strdef router(state: State):if state["value"] == "end":return ENDelse:return "action"def decision_node(state):return {"value": "keep going!"}def action_node(state: State):# Do your action here ...return {"action_result": "what a great result!"}workflow = StateGraph(State)workflow.add_node("decision", decision_node)
workflow.add_node("action", action_node)
workflow.add_edge(START, "decision")
workflow.add_conditional_edges("decision", router, ["action", END])
workflow.add_edge("action", "decision")
app = workflow.compile()
from IPython.display import Image, displaydisplay(Image(app.get_graph().draw_mermaid_png()))
下面这是我们的图形
这里我们验证一下是否能到达默认的递归限制
from langgraph.errors import GraphRecursionErrortry:app.invoke({"value": "hi!"})
except GraphRecursionError:print("Recursion Error")
到达了递归限制25次，成功了返回了错
Recursion Error
带回状态
为了避免达到递归限制，我们可以在状态中引入一个新的键，称为 remaining_steps 。它将跟踪到达递归限制前剩余的步骤数。然后，我们可以检查 remaining_steps 的值来决定是否应终止图执行，并在不引发递归错误的情况下将状态返回给用户。
为了实现这一点，我们将使用一个特殊的 RemainingSteps 注解。实际上，它创建了一个特殊的 ManagedValue 通道——这是一个状态通道，仅在图运行期间存在，并在其结束后消失。
由于我们的动作节点（action node）总是会至少向图中引入两个额外的步骤（因为动作节点总是在之后调用决策节点），我们将使用这个通道来检查我们是否距离限制仅剩两步之内。
from typing_extensions import TypedDict
from langgraph.graph import StateGraph
from typing import Annotatedfrom langgraph.managed.is_last_step import RemainingStepsclass State(TypedDict):value: straction_result: strremaining_steps: RemainingStepsdef router(state: State):# Force the agent to endif state["remaining_steps"] <= 2:return ENDif state["value"] == "end":return ENDelse:return "action"def decision_node(state):return {"value": "keep going!"}def action_node(state: State):# Do your action here ...return {"action_result": "what a great result!"}workflow = StateGraph(State)
workflow.add_node("decision", decision_node)
workflow.add_node("action", action_node)
workflow.add_edge(START, "decision")
workflow.add_conditional_edges("decision", router, ["action", END])
workflow.add_edge("action", "decision")
app = workflow.compile()
图形还是那个图形，现在，当我们运行这个 graph 时，应该不会收到任何错误，而是会在达到递归限制之前获取状态的最后一个值。
app.invoke({"value": "hi!"})
得到结果
{'value': 'keep going!', 'action_result': 'what a great result!'}
是不是跟我们预料的一模一样。其实上面这段代码本质上创建了一个循环工作流，可以根据剩余步骤数或特定条件动态决定何时终止，完整的演示了 LangGraph 的递归限制。
