langgraph

糖果店的幽灵

【langgraph 从入门到精通graphApi 篇】Checkpoint 持久化与状态管理学完本章你将能够：可回溯可回溯可回溯STARTStep 1: agent 节点执行Checkpoint 1 保存 State 快照

糖果店的幽灵

【langgraph 从入门到精通graphApi 篇】生产部署与性能优化学完本章你将能够：监控数据库LangGraph Server客户端Web/App 客户端API Server :2024

糖果店的幽灵

【langgraph 从入门到精通graphApi 篇】流式输出与 Streaming学完本章你将能够：

LangGraph 项目部署知识点总结LangGraph 应用基于 LangSmith Deployment 构建，它建立在开源的 LangGraph 框架之上，用于开发有状态的应用程序。

糖果店的幽灵

【langgraph 从入门到精通graphApi 篇】Command 与动态流程控制学完本章你将能够：Command 是一个特殊的数据类，节点可以返回它来同时更新状态和导航流程。它与普通 dict 返回值的关键区别：

糖果店的幽灵

【langgraph 从入门到精通graphApi 篇】Memory 与长期记忆学完本章你将能够：比喻：Checkpoint 就像"草稿自动保存"——每次编辑后自动保存当前状态。Store 就像"客户档案"——记录客户的长期偏好，所有对话都能访问。

糖果店的幽灵

【langgraph 从入门到精通graphApi 篇】LangGraphAPI 方式调用 - 初识与核心概念学完本章你将能够：在计算机科学中，图（Graph）由节点（Node）和边（Edge）组成。节点是执行任务的单元，边是连接节点的线，决定了任务执行的先后顺序。就像地铁线路图——每个站点是节点，连接站点的轨道是边。

糖果店的幽灵

【langgraph 从入门到精通graphApi 篇】节点与边 —— 图的骨架学完本章你将能够：节点是图中执行具体工作的单元。每个节点是一个 Python 函数，接收当前 State，返回部分更新。

LangChain+LangGraph架构拆解：基于复杂AI任务编排与状态管理的大模型应用开发21.4基本上我们接触大模型应用开发，一开始都是从调用API入门的。简单测一测问答、文本生成，轻轻松松就能实现一个基础应用，上手门槛很低。但真正想落地到实际项目时，大家都会碰到同一个棘手问题：单纯的API调用太“单薄”，根本撑不起复杂业务。一旦需要实现联网检索、工具调用、多步推理、循环纠错、多智能体协作这类高阶功能，原生API的短板就会彻底暴露。如果纯手写代码实现，不仅逻辑杂乱、重复代码多，后期维护、迭代、调试都会非常困难，完全达不到生产环境的落地标准。

LangGraph[2] ---- 控制流与持久化:让图“活”起来在上一篇博客里，我们认识了 LangGraph 的三要素——状态、节点和边，并且用它们搭出了一个会循环的简单图。但那个例子离真正的“智能体”还差得远：它只会机械地重复同样的话，没有根据对话内容做出判断的能力，而且一旦跑起来就再也停不下，更无法在中间插手。

智能体评估与测试体系面向已经能用 LangChain/LangGraph 跑通 Agent、但开发测试"效果时好时坏、上线没底气"的开发者。核心论点：Agent 的可靠性不是调出来的，是测出来的。当你的 Agent 还停留在"我试了几个例子都对了"这种评估方式时，它就不该进生产。文中代码基于 LangChain 1.0 / LangGraph 1.0、langsmith>=0.4.29（支持组合评估器与多轮评估）、pydantic>=2。

糖果店的幽灵

【langgraph 从入门到精通】全面实践项目：智能客服工单系统学完本章后，你将能够：本章将构建一个智能客服工单系统（Smart Ticket System），它的核心功能是：

项羽欧大哥

LangChain 和 LangGraph 到底有什么区别？实际项目中应该怎么选在做大模型应用时，很多开发者都会同时看到 LangChain 和 LangGraph两者名字相似，又属于同一个技术生态，很容易让人产生疑问：

LangGraph基础知识点知识点：所有节点共享 State。Annotated + operator.add 实现列表追加/数值累加，而非覆盖。

糖果店的幽灵

【langgraph 从入门到精通】State 与 Schema — 让 Agent 拥有结构化记忆学完本章后，你将能够：想象你在医院做手术。手术台上有一本病历，记录了你的所有关键信息：姓名、年龄、过敏史、血压、心率、手术部位等。每个参与手术的人（麻醉师、主刀医生、护士）都会：

糖果店的幽灵

【langgraph 从入门到精通】工具调用 — 让 AI 拥有行动能力学完本章后，你将能够：到目前为止，我们的 Agent 只能「思考」——它调用 LLM 获取信息，然后生成文本。这就像一个只有大脑但没有手脚的人：他能思考、能规划，但无法行动。

糖果店的幽灵

【langgraph 从入门到精通】多步骤编排与条件分支 — 使用 Functional API 控制流程学完本章后，你将能够：想象你在做一道「宫保鸡丁」：LangGraph 的 Graph 构建就是编排这样的「做菜流程」：

可涵不会debug

从向量嵌入到复杂 Agent：LLM、LangChain、LangGraph 完整科普我挖掘了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站。我们上一节讲解了大语言模型LLM，这节课我们来讲解嵌入模型~

Agent Runtime Evaluation Platform — AI Agent 运行时全维度质量评估平台📦 GitHub: https://github.com/daetz-coder/Agent-Runtime-Evaluation-Platform

多模态智能体开发的核心挑战与解决方案尽管多模态智能体的技术与应用已取得显著进展，且LangChain等框架为其开发提供了有力支撑。但是，当前多模态智能体的开发仍面临诸多核心挑战——既有技术层面的瓶颈（如模态对齐、跨模态推理精度），也有工程化层面的难题（如工具协同、部署优化），还有落地层面的问题（如数据安全、场景适配）。本节将聚焦当前多模态智能体开发中最突出、最核心的四大挑战，结合前沿技术成果与工程实践，给出可落地、可复用的解决方案，为开发者提供实践指导，突出多模态技术的特殊性与解决方案的针对性。