你不用手写 Annotated[list, add_messages]，LangGraph 备好了一个基类：

class MessagesState(TypedDict):
    messages: Annotated[list[AnyMessage], add_messages]

那条件边（Agent 的分叉点）在源码里长什么样？看 add_conditional_edges 的签名：

    def add_conditional_edges(
        self,
        source: str,                         # 从哪个节点出发（本例 "model"）
        path: Callable[..., Hashable | Sequence[Hashable]] | Runnable[...],  # 路由函数
        path_map: dict[Hashable, str] | list[str] | None = None,   # 可选：返回值→节点名 映射
    ) -> Self:

把零件拼起来。为了聚焦"图的结构"，模型和工具用假的替身（真实换成 ChatOpenAI 即可）：

from langgraph.graph import StateGraph, START, END, MessagesState
from langchain_core.messages import AIMessage, ToolMessage

def call_model(state: MessagesState) -> dict:
    last = state["messages"][-1].content
    if "天气" in last and not any(getattr(m, "tool_calls", None) for m in state["messages"]):
        # 模型决定调工具：返回一条带 tool_calls 的 AI 消息
        return {"messages": [AIMessage(content="", tool_calls=[
            {"name": "get_weather", "args": {"city": "北京"}, "id": "t1"}])]}
    return {"messages": [AIMessage(content="今天北京晴，25℃。")]}   # 直接回答

def call_tool(state: MessagesState) -> dict:
    return {"messages": [ToolMessage(content="晴 25℃", tool_call_id="t1")]}

def should_continue(state: MessagesState) -> str:
    last = state["messages"][-1]
    return "tools" if getattr(last, "tool_calls", None) else END   # ★路由决策

g = StateGraph(MessagesState)
g.add_node("model", call_model)
g.add_node("tools", call_tool)
g.add_edge(START, "model")                         # 入口
g.add_conditional_edges("model", should_continue)  # 模型后：要么去 tools，要么 END
g.add_edge("tools", "model")                       # 工具后：回模型再想一轮（循环!）
app = g.compile()
print(app.invoke({"messages": [("user", "北京天气怎么样")]}))

输入 "北京天气怎么样"，这张图实际转了三个"超步"（superstep，阶段 4 精讲）：

D04 埋下的种子在这里收：上面那些"超步""触发""路由"，落到源码全是通道读写。回顾编译后节点的样子：

self.nodes[key] = PregelNode(
    triggers=[branch_channel],       # 被"通往我的通道"触发才跑
    channels=(... input_channels),   # 读哪些状态字段
    writers=[ChannelWrite(...)],     # 结果写回哪些通道（状态字段 + 通往下游的通道）
    bound=node.runnable,             # 你的 call_model / call_tool 函数
)

✋ 10 分钟动手

# 1. 看 MessagesState 定义
sed -n '372,373p' libs/langgraph/langgraph/graph/message.py

# 2. 把 L03 的代码存成 chat.py 跑起来，打印每条消息
python3 chat.py

# 3. 改造实验：把 should_continue 永远返回 "tools"（去掉 END 出口），
#    观察它撞 recursion_limit 报 GraphRecursionError（预告 D17）

# 4. 用 stream 看每一步（体会"超步"）
python3 -c "
# 复用 chat.py 里的 g
from chat import app
for chunk in app.stream({'messages':[('user','北京天气怎么样')]}):
    print(chunk)
"