langgraph

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）。

AI大佬的小弟

大模型名词精讲14：Multi-Agent（多智能体协作）小伙伴们有没有想过一个更有趣的问题：如果一个Agent搞不定我们的任务，怎么办？就像现实中一样，一个人再厉害也干不过一个团队。让一个AI同时当研究员、分析师、编辑、审核员，就像让一个人同时干四个人的活——不是不行，但容易出错，而且质量参差不齐。

企业实战:主体识别作为文档结构化解析与差异化分类的核心关键节点，依托大语言模型深度语义理解能力，精准萃取文档核心主体、业务实体与专属概念，快速判定文档所属品类与内容属性。

从0到1手搓生产级 AI Agent：LangGraph 1.2 + LangChain 1.3 保姆级实战（全部代码已跑通）写在前面：网上 90% 的 Agent 教程还停留在 langgraph 0.2.x 的写法，AgentExecutor、initialize_agent 这些 API 早就废弃了，复制过去只会满屏 ImportError。

Agent 开源项目全景解析（下）：LlamaIndex、Dify、FastGPT 与真实工程选型上篇讨论的项目主要提供编程框架和 Agent Runtime。实际开发中还有另一类非常重要的开源项目，它们把知识库、RAG、工作流、工具、模型管理和应用发布进一步封装。LlamaIndex仍然保持较强的代码框架属性，Dify 与 FastGPT 已经形成可以直接部署和使用的 Agent 应用平台。

大模型工程化实战（一）：概率坍塌的救赎 - 给LLM输出加锁凌晨 3:07，我被 P0 报警震醒。监控面板上，订单解析服务过去一小时抛出了第 217 次 JSONDecodeError——不是 217 次请求，是 217 次异常。LLM 吐出的"JSON"里混进了一个没闭合的大括号，还带一句"很抱歉，以下是提取结果"。下游订单系统排着队等这份数据，断了整整 11 分钟。我们守着 temperature=0、写了 30 行 prompt 强调"必须输出合法 JSON"，大模型照样随机抽风。

weixin_47138303

07 LangGraph 集成 RAGRAG = Retrieval-Augmented Generation（检索增强生成）用户提问问题向量化

LangChain的六大核心组件与 RAG 知识库构建随着大语言模型（LLM）的蓬勃发展，开发者面临着 API 标准各异、模型缺乏外部知识、提示词管理困难等现实痛点。LangChain 由此诞生。它本身并非是一个新的大模型，而是一个标准化的 LLM 应用开发框架。它通过为各种 LLM 提供统一的接口，将模型、提示词、数据源、记忆体等组件标准化地“串联”起来，快速构建复杂的生成式 AI 应用。

LangGraph 之【持久化能力】（线程级\跨会话持久化、重放更新状态、get_state、PostgresSaver、PostgreasStore）目录1. 为什么需要持久化能力LangGraph 持久化的两大支柱2. 线程级持久化（Checkpoint）

让 Agent 自己跑到终点线：Goal 模式智能体实战传统的对话式和 ReAct 式 Agent，靠的是"你说一步、它走一步"，控制权始终握在人手里。而 Goal 模式（目标驱动模式）把控制权彻底反转：人类只定义"终点在哪"，Agent 自己负责"规划路径、调用外部工具、核查进度、调整策略"，直到当前状态收敛到目标状态为止。本文先讲清 Goal 模式是什么、它和其它主流 Agent 模式（Prompt / ReAct / Plan-and-Execute / Loop）的本质区别，然后落地一个 LangGraph + 金蝶云星空 OpenAPI 的实战案例

喜欢的名字被抢了

langgraph教程系列-07-让人介入-人在回路本文是「LangGraph 教程系列」第 7 篇。写作时基于 langgraph 1.2.10、langchain 1.3.14、langchain-openai 1.4.1、Python 3.12+。配套代码仓库 https://github.com/wxj006007/deep-research-assistant ，本篇对应 tag v2.1。