langgraph

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）。

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。