langgraph 后端发自定义数据,前端接收方法概括

作者:锋行天下日期:2026/11/13


有些自定义数据和状态流转,不能走messages通道,要走custom通道

一、整体流程图

1Python 节点(search_node)
2  │  get_stream_writer()({ type, ... })   ← 写入
3  ▼
4LangGraph Runtime (stream_mode="custom")
5  │  产生 protocol event,method = "custom"
6  ▼
7CustomTransformer(required_stream_modes=("custom",))
8  │  把 custom 事件原样保留 / 转发
9  ▼
10langgraph dev → 协议 v2 SSE
11  │  event: custom
12  │  data: { name?, payload }
13  ▼
14前端 useStream / useChannel(['custom'])
15  │  event.params.data
16  ▼
17渲染 / 总结
18

二、四个关键点

1. 必须注册 CustomTransformer,否则事件不会产生

v2 事件流只在 graph 声明了stream_transformers 时,才会请求custom 流。没有它,get_stream_writer() 写了也白写。

1# streaming.py
2from langgraph.stream import CustomTransformer
3
4def stream_transformers():
5    return [CustomTransformer]
6
1# graph.py — 必须 import 到图模块里,框架用 getattr 反射找这个名字
2from agent.streaming import stream_transformers  # noqa: F401
3

关键点:函数 不能只写在别的文件里 ,必须作为属性出现在langgraph.json 指向的那个图模块的命名空间。

2. 用get_stream_writer() 写数据(后端)

1from langgraph.config import get_stream_writer
2
3def search_node(state):
4    writer = get_stream_writer()
5    writer({"type": "searching", "query": "..."})
6    ...
7    writer({"type": "search_done", "count": 3})
8
  • 写进去的是 任意可序列化对象 (dict/list/基本类型);
  • 没有type= 参数,传一个位置参数即可;
  • 只有在 v2 流的 run 里 调用才有效,本地graph.invoke() 里写不会推到前端。

3. 前端用useChannel 订阅(官方)

1const events = useChannel(stream, ['custom'], undefined, { replay: true, bufferSize: 64 })
2

参数含义:

取数据:

1const payload = computed(() => events.value.at(-1)?.params?.data)
2// payload 就是后端 writer 传的原样对象:{ type, query, ... }
3

4. (补充)replay 和bufferSize 的取舍

  • replay: true :后订阅也能拿到 之前已发生 的事件,适合进度条、状态展示;
  • replay: false :只收 订阅之后 的事件,适合一次性通知(如"搜索完成"提示,避免重复弹);
  • bufferSize 控制回放窗口,太大占内存,太小可能漏;进度展示建议 32~128。

三、数据在各层的形状(对照排查)

四、一句话记忆

1后端写 :`get_stream_writer()(payload)`
2后端注册 :`stream_transformers() -> [CustomTransformer]` (放在图模块)
3前端收 :`useChannel(stream, ['custom'], undefined, {replay:true, bufferSize:64})` ,读`.params.data`
4

参考文档


《langgraph 后端发自定义数据,前端接收方法概括》 是转载文章,点击查看原文。


相关推荐


运营人员适合考哪些证书?从内容运营、数据分析到AI应用能力
2601_965969062026/11/4

运营人员选证书,建议按工作任务来定:做内容,优先补选题、编辑和效果复盘;做数据,考虑与实际分析工具对应的认证;做AI应用,可将CAIE列入备选,但要核对具体考纲、实操作业和项目支持。例如,负责网站获客的人可以关注Google Analytics认证,经常制作经营看板的人可以考虑微软Power BI数据分析师认证。证书是否值得考,取决于它能否帮助你完成岗位任务,而不是名称里有没有“智能”“高级”。 到了2026年,运营学习还有一个现实问题:AI可以更快地生成文案、整理反馈、辅助分析,但产出速度不


Claude Code vs Codex:Computer Use 实现原理深度拆解
怕浪猫2026/10/27

一、核心概念澄清 在深入技术细节之前,首先厘清两个容易混淆的事实: 产品底层模型Computer Use 集成方式Claude CodeClaude Sonnet 3.5/3.7、Claude 4 Opus/Sonnet、Claude 4.6、Opus 4.7直接通过 Anthropic API 的 computer_use 工具集实现OpenAI CodexGPT-5-Codex、GPT-5.4GPT-5.4 是 OpenAI 第一个原生支持 compu


QML TabBar 标签栏交互效果合集
Quz2026/10/19

系列文章:QML 高级动效实战 专栏地址: https://blog.csdn.net/u011186532/category_13190602.html 目录 开篇一、标签管理(3 个示例)二、标签反馈(3 个示例)三、标签造型(5 个示例)四、悬浮工具条(5 个示例)五、指示器动效(4 个示例)六、标签联动(6 个示例) 开篇 这个合集汇总 22 篇 QML 自定义 TabBar 文章,共 26 个效果,分 6 类: 子分类示例数核心内容一、标签管理3动态


CSS 伪类使用与实践:从入门到进阶
百度一下吧2026/10/17

1. 什么是 CSS 伪类 伪类是 CSS 中用于定义元素特殊状态的选择器。它允许开发者在不修改 HTML 结构的前提下,根据元素的交互状态、位置关系或内容特征来应用样式。伪类以英文冒号(:)开头,紧跟在选择器之后,例如 :hover、:first-child 等。 伪类与伪元素容易混淆,二者的区别在于:伪类描述的是元素的某种状态,而伪元素则用于创建文档树中不存在的虚拟元素。伪元素使用双冒号(::)表示,如 ::before、::after。 2. 动态伪类:交互状态 动态伪类针对用


关于大型asp.net应用系统的架构-架构的选择
小羊没烦恼!2026/10/9

前言   最近几年在.net方面的工作经历,让我长久以来(有几年了)想写关于大型asp.net应用系统架构文章的念头。之前和同事们聊天的时候说的都是一些思维片段,其中的想法不尽完善,聊完天再仔细想想,一些主意就逐渐清晰了。现在终于付诸行动了,将一些想到的主意与大家一起探讨,也算是对过去几年在ASP.NET方面的一个总结。这对我来说也是一个学习过程。   博客园有不少同仁在写系统架构或者企业应用架构方面的文章,我看过其中一些。就我看过的这些文章,我发现他们当中相当多的人写的是分层架构。从我的看法来


Claude Code 103 秒删掉 4.8 万个文件之后,我把自己的仓库"删"了一遍:git 能救的比你想的少
Flynt2026/10/1

这两天我的时间线被同一条事故刷过去了:有开发者在 Reddit 发帖说,Claude Code 在一次"重建项目镜像"的任务里,103 秒删掉了他 48,218 个文件,连带把 .git 里的 objects、refs、logs 一起端了。帖子后来被作者删了,存档还在,TechRadar 报道后,法意俄几家科技媒体在 9 月 25 日集中转述了一轮。 事故细节值得看。现成的 build_mirror.py 做不到就地更新镜像,Claude Code 就自己写了个 Python 清理脚本,基于一份


同一个审批流引擎,我写了两次:一次 11226 行,一次 7036 行
mldong2026/9/25

几年前,我给自己的快速开发框架写了一套内置工作流模块:流程定义、流程实例、任务、会签、退回,审批流该有的都有,用得也挺好。后来我把引擎从业务工程里抽出来,做成独立的 SDK,就是现在这个多语言工作流引擎 jeeflow。 同一个作者,同一套审批流语义,两种架构各写了一遍。第一版连皮带瓤 11,226 行;第二版引擎核心 7,036 行,95 个类。 把两个数字放在一起,你大概会期待一个"重构之后代码少了三分之一"的故事。不是。7,036 比 3,518——第一版里真正属于引擎的那部分——还多了


【读点论文】Overall positive prototype for few-shot open-set recognition
羞儿2026/9/16

Overall positive prototype for few-shot open-set recognition abstract 少样本开集识别(FSOR)是用有限数量的标注实例识别已知类别中的样本,同时检测不属于任何已知类别的样本的任务。这是一个具有挑战性的问题,因为模型必须学会从少量带标签的样本中进行归纳,并将它们与无限数量的潜在负面样本区分开来。在本文中,我们提出了一种新的方法称为整体positive 原型,以有效地提高性能。从概念上讲,负样本会分布在整个特征空间,很难描述。


生产执行系统优化方案:多维度提升制造效率的实践路径
田先生@2026/9/8

1. 引言:为什么 MES 优化是制造提效的关键 很多工厂上线了生产执行系统,却仍然面临“计划赶不上变化、异常响应慢、数据看不见”的问题。原因往往不在系统本身,而在于系统与现场执行之间的衔接不够紧密:数据采集滞后、排程过于静态、异常处理依赖人工层层上报。要真正提升制造效率,需要把 MES 从“记录系统”升级为“实时执行与闭环优化系统”。 本文围绕生产执行系统的常见瓶颈,提出一套可落地的优化方案,从数据透明化、计划排程、产线协同到指标管理,给出具体措施、实施路径和衡量方法。 2. 制造效率的


AI Agent 的经济账:算力、模型路由与真实 ROI
枫叶丹42026/8/31

文章目录 1 -> 引言2 -> 为什么只看 Token,会把账算错3 -> Agent 的六类成本1. 模型推理成本2. 工具与数据成本3. 基础设施成本4. 人工注意力成本5. 失败与返工成本6. 风险预期损失 4 -> 先分工作组合,再谈模型预算5 -> 模型路由不是“大小模型二选一”6 -> 上下文成本常比回答本身更大7 -> 成功率决定重试经济学8 -> 什么时候多花算力是划算的9 -> 一个 AI 获客任务的算账示例方案 A:全量使用强模型方案 B:分层漏斗 10 -> 建

首页编辑器站点地图

本站内容在 CC BY-SA 4.0 协议下发布

Copyright © 2026 聚合阅读