langgraph

大模型应用：LlamaIndex、LangChain 与 LangGraph 细节深度、协同应用.24在大模型应用开发中，如何高效地利用私有数据、编排复杂任务以及管理多轮对话状态是三个核心挑战。LlamaIndex、LangChain和LangGraph分别针对这三个挑战提供了专业解决方案。今天我们将深度解析这三个框架的架构设计、核心细节，并通过实战案例展示如何协同使用它们构建强大的LLM应用。

使用LangGraph构建一个简单的智能客服机器人LangGraph是一个灵活的Agent开发框架。节点（nodes）和边（edges）是它两个比较重要的概念。

基于LangGraph的聊天机器人模拟评估系统（Ubuntu 2204 + Conda + vLLM）作者：吴业亮博客：wuyeliang.blog.csdn.net将HF格式的大模型（如Llama-2-7B-chat-hf）放到本地路径，并修改config.py中的MODEL_PATH为实际路径。

LangGraph系列9 ：调试、日志与可观测性 —— 当你的 AI 智能体突然精神分裂，如何 5 分钟定位故障？图片来源网络，侵权联系删。上一篇：LangGraph系列8：别再手动拼接！LangGraph + LangChain 工具链的深度集成实战

4. Agent Quality ——【Google 5-Day AI Agents】第四天的白皮书探讨了如何保障 Agent 的工作质量。当前正处于 Agentic 时代的开端，尽管 Agent 能力巨大，但是其固有的非确定性和不可预测性打破了我们传统的质量保障体系。 Agent 的质量保障应植根于架构设计本身，而非仅依赖开发尾声的测试环节。本指南立足于三大核心要义：

（教学）Agent 构建 Prompt（提示词）2. CommaSeparatedListOutputParserCommaSeparatedListOutputParser逗号分隔列表输出解析器是 LangChain中的一种专门的输出解析器，用于以逗号分隔列表的形式生成结构化输出。

带刺的坐椅

AI 应用工作流：LangGraph 和 Solon AI Flow，我该选谁？构建一个能聊天的客服、能总结文档的助手，或者一个能自我学习的智能体，都需要一个强大的“幕后大脑”来编排流程。LangGraph 和 Solon AI Flow 就是这样的“大脑”，但它们的工作方式和适用领域大不相同。

[Ai Agent] 09 LangGraph 进阶：构建可控、可协作的多智能体系统博客配套代码发布于github：09 LangGraph 进阶相关Agent专栏：Ai Agent教学

后台开发者Ethan

LangGraph ReAct应用创建一个简单的 ReAct 代理应用程序，该应用程序可以检查天气。该应用程序由一个代理（LLM）和工具组成。当我们与应用程序交互时，我们将首先调用代理（LLM）来决定是否应该使用工具。然后我们将运行一个循环

后台开发者Ethan

LangGraph 的持久化LangGraph 的持久化管理，核心目的是：让图（Graph）在多次调用、异常中断甚至进程重启后，仍能“记住”上次的执行状态，实现真正的有状态智能体。整套机制分成两层：

langchain langGraph 中streaming 流式输出 stream_mode官网地址values: 每个步骤之后都会打印完整值updates: 只输出在节点中state有变化的值

学历真的很重要

LangChain V1.0 Messages 详细指南基于官方文档 https://docs.langchain.com/oss/python/langchain/messages 的完整中文总结

02｜Langgraph | 从入门到实战 | workflow与Agent本系列为Langgraph文章，最终以实现企业级项目。该系列文章，以官方文档路径撰写，深入浅出并配以自己理解，配以GIF动图演示、适当扩展延伸官方案例以及源码讲解当然如果你需要你也可以查看官方文档

水中加点糖

使用LangChain+LangGraph自定义AI工作流，实现音视频字幕生成工具前段时间做了几个短视频，之后总想着拍短视频给忘了发博客写文章了。趁着最近AI工作流很火，趁热打铁，结合前段时间的生活，今天出一篇短文：用AI工作流做一个AI小工具，实现音视频的字幕生成。

用什么都重名

LangGraph vs CrewAI vs OpenAI Swarm：三大AI框架目录一、LangGraph介绍1. 什么是LangGraph？2. LangGraph的核心优势3. LangGraph的关键组件

LangGraph React智能体 - 推理与行动的完美结合React智能体系统是一个基于**推理+行动（Reasoning + Acting）**模式构建的AI智能体，能够自主分析复杂问题、制定执行计划、智能选择工具并迭代优化解决方案，直至生成高质量的最终答案。

LangGraph 源码学习总结 3-单结点图的执行分析——从官方文档、示例到源码的完整拆解官方给出的执行模型如下，关键模型是 Plan、Execution、Update.核心概念有 Actors、Channels

基于MCP协议的多AGENT文章自动编写系统开发一个使用MCP (Model Context Protocol) 的多代理系统，能够协作完成文章写作任务。系统包含四个专业化代理，按顺序协作完成从研究到最终成稿的完整流程。

weixin_43807749

langchain官网翻译：Build a Question/Answering system over SQL data本文翻译自langchain官网：https://python.langchain.com/docs/tutorials/sql_qa/

构建AI智能体：五十七、LangGraph + Gradio：构建可视化AI工作流的趣味指南相信我们身边或多或少总是听到很多人在说大模型大模型，可大模型具体怎么用还是一道很深的门槛，我们博文也写了很多，但具体的用法和作用，使我们还面临着一个有趣的矛盾：大模型的能力越来越强，但真正能让普通用户直接使用的AI应用却少之又少。今天，我想分享我们如何用LangGraph和Gradio构建一个可视化、可配置的AI工作流系统，让非技术用户也能轻松组合各种AI能力。