langgraph

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。

从“链”到“图”：LangGraph如何终结LangChain的线性智能体LangChain在构建简单智能体方面的强大能力，但是，当面临更复杂的任务时，LangChain开始显露出一些局限性。

【LangGraph】ReAct构建-LangGraph简单实现本文将带你从零开始，使用 LangGraph 构建一个经典的 ReAct（Reason + Act）智能体。你将掌握如何自定义状态、节点、工具调用逻辑与控制流，真正理解智能体背后的运行机制。

机器学习、深度学习卷积神经网络（CNN）vs. 循环神经网络（RNN）vs. Transformer一文带你搞懂 AI Agent 开发利器：LangGraph 与 LangChain 区别

使用langgraph创建工作流系列4：人机回环到目前为止chatbot的工作流都是用户输入后等待应答，但有些情况下需要人工干预：1）因为大模型本身不是可靠的，基于大模型的智能体也是不可靠的，需要人工输入以完成符合要求的任务

花酒锄作田

【LangGraph】Human-in-the-loop示例之人工干预shell命令执行看langgraph官方文档感觉human in the loop貌似还挺简单的，但实际上手时，那文档看得我云里雾里的。更详细的Guides和Reference，恕我能力有限，悲摧的也没看懂。作为试验，我想做一个功能：本地执行shell命令，每次执行前都要用户确认。左看官方文档，右去西天请ChatGPT老祖。ChatGPT说得头头是道，Copilot也反复调试，但就是不能用。就这。。。看来碰到新东西AI就十分拉胯。最终，认真看了半天文档，没借助GPT，总算捣鼓出来一个最简版。

LLM——使用 LangGraph 构建 ReAct 智能体：多轮对话 + 工具调用 + 可视化流程图本文将带大家构建一个具有 ReAct 能力（Reasoning + Acting）的多轮智能体，同时集成 LangChain 工具调用、OpenAI 或通义千问大模型、LangGraph 状态流程管理，并输出流程图，适用于旅行规划、业务辅助、智能客服等多种场景（文末附项目完整代码）。