langgraph

LangChain从入门到精通LangChain 是一个用于构建大语言模型（LLM）应用的开源框架，其核心目标是简化将 LLM 与外部数据、工具、记忆系统结合的过程，让开发者能像“搭积木”一样构建智能应用。于2022年11月第一次发布，但是一直到2025年10月之前风评其实好坏参板，俱是因为api变更太过频繁，导致今天的代码可能明天就运行不了，但是呢当时可选的大模型框架又不多。所以很多人也是骂着用着。真正转机是2025年10月，LangChain发不了1.0版本，这才进入稳定器。此后的1.1，1.2等版本就改动不是特别大了，且官方明确

从useState到Agent状态：React状态管理为何在AI工作流中失灵？本文摘要：结论先行：在集成了工具调用的 AI Agent 场景中，直接使用 React 的 useState 管理全部状态（包括 LLM 的流式响应、工具调用请求与结果、工作流步骤）是导致应用崩溃、逻辑纠缠和难以维护的核心反模式。它无法正确处理 AI 工作流中的异步性、并发性和长期性。失败现象验证：以下代码片段模拟了一个常见的错误起始点。

【LangGraph—5—Capabilities—Persistence】这一节讲的是 LangGraph 的"记忆"基础设施：用两层互补的持久化系统给 Agent 装上短期记忆（Checkpointer）和长期记忆（Store），让应用能在单次图运行之外保留信息。下面这张图先给你整体的心智模型，然后我逐段拆解。

Agent 编排层的分岔：开源框架分工与托管 Harness 的工程选型2026 年 9 月，Agent 工程领域出现两条方向相反、却互相印证的消息。一条来自模型厂商：托管式 Agents API 上线，把驱动编程智能体的 harness（编排层）与 sandbox 一起打包成服务，一次 API 调用即可创建可连续运行数天的智能体，模型、工具（走 MCP）、执行环境均可指定，配套的 Codex harness 同步开源。

梦因you而美

LangChain-ReAct-Agent 智能客服系统 · 项目技术文档资源下载链接：LangChain ReAct Agent 智能客服系统（扫地机器人垂直场景）说明：本文档描述项目当前整体现状，涵盖架构、模块、存储、配置、部署、接口与扩展方式。

LangGraph学习笔记LangGraph 是基于 LangChain 的图编排框架，专门用来构建多轮 Agent、带循环、分支、人在回路的 LLM 应用，不是简单链式调用（LCEL）。

LangGraph 生产级笔记：Checkpointer + interrupt()，把人审做成可恢复状态机千笔-AIWritePaper · https://www.aiwritepaper.com把「人审」塞进 Agent，最常见翻车是进程一重启就丢现场，或审批接口返回后图从错误节点重跑。LangGraph 的答案不是另写一套工作流引擎，而是两块拼在一起：Checkpointer 把线程状态落成可恢复快照，interrupt() 在节点任意位置动态暂停，恢复时用同一个 thread_id 把 Command(resume=…) 的值交回 interrupt() 调用点。本文只复述官方 Persistence

Agent会话持久化：事件日志重放与状态快照Checkpoint深度解析摘要：长周期Agent、人在回路（Human‑in‑the‑loop）任务中，会话中断恢复是工程落地核心痛点。当前主流代码Agent（Claude Code、Qoder、Codex‑CLI）普遍采用JSONL事件日志+全量重放架构；以LangGraph为代表的工作流框架，采用结构化Checkpoint状态快照。两种方案底层机制、故障恢复能力、上下文压缩行为存在本质差异，本文剖析两种技术路线原理、边界缺陷与工程选型策略。

05. LangGraph 深度解析：从基础概念到高级应用全指南在构建复杂的人工智能应用时，我们经常面临状态管理、流程控制和多智能体协作等挑战。LangGraph 正是为了解决这些痛点而生的强大框架。作为 LangChain 生态的重要补充，LangGraph 允许开发者以图（Graph）的形式编排大语言模型（LLM）和工具，从而实现高度定制化、具备状态感知和循环执行能力的 AI 工作流。

LangGraph 实战 03：Workflows 与 Agents——六种工作流模式与智能体实战（附 6 个可运行示例）04 篇精读文档的核心是：一件事该用"工作流"还是"智能体"？工作流有 5 种模式，智能体是第 6 种。本篇把 6 种全部亲手写了一遍（DeepSeek 模型版）。

虎虎(_　_)。゜zｚＺ

LangGraph-State架构深度解构先纠正一个根深蒂固的误区：State 不是普通的全局字典。很多开发者把 LangGraph 的 State 当成一个共享 dict，节点里直接 state["answer"] = "xxx" 原地修改。这看起来能跑，但一旦涉及并行节点、断点恢复、流式输出，立刻全线崩盘。

虎虎(_　_)。゜zｚＺ

重构 Agent 思维链：LangGraph 核心架构的深度解构与实战早期的 LLM 应用开发，习惯用 Chain 的线性思维：输入、处理、输出。但真实业务场景远比这复杂——Agent 需要调用工具、根据工具结果决定下一步、甚至在出错时自我修正。线性 Chain 在这些场景下捉襟见肘。

LangGraph 中断、工具调用与部署LangGraph 提供动态中断和静态断点两种机制。动态中断触发后，图会把当前状态写入 checkpointer，并返回一个 Interrupt 对象。调用方收集人工输入，再通过 Command(resume=...) 恢复图的执行。

LangGraph / Capabilities / Fault tolerance原文链接：https://docs.langchain.com/oss/python/langgraph/fault-tolerance

LangGraph / Capabilities / Stores原文链接：https://docs.langchain.com/oss/python/langgraph/stores

RAG企业实战:SSE快速入门SSE (Server-Sent Events) 是一种基于 HTTP 的服务端单向推送技术：浏览器用一个长连接（通常是 GET）订阅，服务端持续向这个连接按事件（event）流式写数据，浏览器按事件回调接收。

企业实战:Web服务端搭建本节介绍如何基于 FastAPI 搭建后端服务，提供页面访问和查询接口。检索 Web 聊天界面（chat.html）的核心结构与数据流转逻辑，该页面直接决定了后端接口的设计规范。

jjh+++（求关注版）

LangGraph Agent Checkpointer 持久化完全指南：从内存到生产的实战很多人写 LangGraph Agent 只跑通内存版本：进程一重启，全部状态灰飞烟灭，任务中途崩溃只能从头跑，token 白白浪费。 Checkpointer 就是 LangGraph 的存档系统。每一次图执行超步，自动拍下 State 快照，依靠 thread_id 实现断点续跑、会话记忆、人工介入调试、历史状态回溯。从开发阶段的 MemorySaver，原型验证 SqliteSaver，再到生产高并发 PostgresSaver，很多同学踩坑直接把内存版丢上生产，线上大量丢状态。

LangGraph 从状态图到可恢复 Agent：一篇入门与实践指南LangGraph 是 LangChain 生态中的低层编排框架与运行时。它不替你规定提示词或 Agent 架构，而是提供状态、节点、边、持久化、流式输出和人工介入等基础能力，让复杂工作流可以被显式描述、检查和恢复。

企业实战:数据图与状态定义所有节点共享同一个状态对象。我们需要定义它来存储处理过程中的数据（如查询原始问题、改写问题、历史对话、不同方向切片结果等）。