langgraph

深入浅出 LangGraph —— 第9章：流式输出：实时响应用户📖 本章学习目标ChatGPT 刚出来的时候,用户等待完整回复可能需要10-30秒。流式输出(Streaming) 改变了这一切。使用流式输出，用户能看到文字一个字一个字地出现,感觉上响应几乎是即时的。

【大模型Agent】基于LangGraph搭建多轮对话客户支持机器人项目示例需收集信息意图分类问候一般咨询订单问题投诉转人工有缺失信息信息齐全有缺失信息信息齐全触发中断人工确认后继续

【大模型Agent】LangGraph 深度科普：为智能体而生的“有状态”编排框架LangGraph 正是为这类场景设计的底层框架。它把 LLM 应用的执行流建模成有向图，核心使命是——让智能体应用拥有可靠的状态管理和可控的流程编排。

零基础入门 LangChain 与 LangGraph（九）：LangGraph 收官——运行时上下文、流式输出、子图、与项目结构💬 开篇：前面两篇已经把 LangGraph 最核心的地基搭起来了。第一篇解决的是“图怎么建”，也就是 State、Node、Edge、工作流、Agent 这些最基础的结构问题；第二篇解决的是“图怎么长期活着跑”，也就是持久化、记忆、人机交互和时间旅行。但真正到了想做项目的时候，还有最后一层能力必须补齐：一个图，怎么把用户身份、配置信息、数据库连接这种运行期依赖带进来？怎么把执行过程流式暴露出来？怎么把复杂系统拆成子图来开发？最后又怎么把整个 LangGraph 应用组织成一个真正可运行、可调试、可

LangGraph 基础图创建思路LangGraph 是一个用于构建有状态、多参与者应用的工作流库。创建基础图的思路可以概括为以下步骤：

LangChain之聊天模型核心能力（二）在 LangChain 中，聊天模型提供了额外的功能：结构化输出。一种使聊天模型以结构化格式（例如 JSON）进行响应的技术。

深入浅出 LangGraph —— 第8章：人机交互：中断与审批流程📖 本章学习目标随着 Agent 能力越来越强,它能执行的操作也越来越"危险"——删除文件、发送邮件、转移资金……如果 AI 理解有偏差直接执行,后果可能是灾难性的。

深入浅出 LangGraph —— 第6章：工具调用与ToolNode📖 本章学习目标大语言模型本身只能"说话"——接受文本输入,生成文本输出。工具调用(Tool Calling,也叫 Function Calling)让 LLM 能够:

深入浅出 LangGraph —— 第7章：持久化与检查点机制📖 本章学习目标没有持久化的 Agent 每次对话都从零开始——上一次你告诉它你叫什么名字,下次重启后它完全不记得。这在生产中是不可接受的。

2026年的 ReAct Agent架构解析：原生 Tool Calling 与 LangGraph 状态机ReAct（Reason + Act）架构要解决的问题是开放式研究里最经典的问题。本文要做的是一个 Research Brief Agent：会上网搜索、抓取真实 URL、压缩证据，最终产出一份带真实引用的结构化简报。重点不在于功能，而在于正确写法——不再依赖那种脆弱的 “Thought: / Action:” 字符串解析。

深入浅出 LangGraph —— 第5章：条件边与动态路由📖 本章学习目标上一章我们用 addEdge 构建的图,执行路径是编译时确定的,永远走同一条路。但真实的 Agent 需要根据情况"灵活应变":

ReAct 思考-行动-观察循环的底层实现机制上一篇我们已经用 create_react_agent 快速搭建了一个最小 ReAct Agent。它可以：

06_系统架构设计配套视频教程： 👉《智能体微服务架构企业级实战教程》共72节更多文章专栏内容： 👉《智能体微服务架构企业级实战教程》专栏

LangGraph框架研究-开发测试上篇本篇主要介绍一下langgraph开发部署问题。langchain底层执行已经切换成了langgraph，从这个层面来看,langchain依赖的于langgrap，所以在新版的langchain看不到了那种让人迷惑的管道操作链式调用。从这点来看，我们应该使用langchain开发。但是当你学习langgraph时，你发现langgraph在使用langchain。这看起来交互式有点复杂。如果是简单的智能体应用，可以考虑直接使用langchain。langchain的子代理、移交、路由、技能多agen

LangChain 还是 LangGraph？一个是编排一个是工具包现在介绍LangGraph 和 LangChain 的文章。每一篇的结论都差不多：简单流程用 LangChain，复杂的用 LangGraph。

LangChain 与 LangGraph 介绍(一)在过去十年间，低代码/无代码平台和 AI 代码助手持续冲击着软件开发行业。如今，一种被称为 Vibe Coding 的新兴实践突然走红，甚至颠覆了人们对 "程序员到底在做什么" 的认知。

ReAct Agent是什么？与传统LLM/Chatbot的本质区别（原理篇）很多人第一次使用大模型时，会觉得它已经很聪明了：于是自然会产生一个想法：既然模型这么强，是不是直接接入业务系统就行了？

LangChain 与 LangGraph 介绍(二)随着开发者尝试构建更高级的 AI 代理和多轮对话系统，传统链式结构的局限性逐渐显现：• 链式流程通常是线性的、预先定义好的步骤，难以处理需要循环、分支或长期状态维护的复杂场景。

零基础入门 LangChain 与 LangGraph（七）：真正理解 LangGraph——从工作流、状态图到三个核心案例💬 开篇：前面六篇已经把 LangChain 这条线基本跑通了：模型怎么接，Prompt 怎么写，输出怎么约束，RAG 怎么把外部知识接进来，到这里为止，我们已经具备了“做一个基础 LLM 应用”的能力。但接下来真正遇到的问题，已经不是“会不会调模型”，而是：怎样把一个需要多步决策、状态传递、工具调用、分支跳转、失败恢复、人工介入的系统真正组织起来？

名字不好奇

LangGraph 记忆系统设计实战想象一个场景：用户和 Agent 聊了 50 轮之后突然问一句"刚才说的那个方案怎么实现？"，结果对方答：“抱歉，我不知道之前说了什么。”