langgraph

Agentic RAG：用LangGraph打造会自动修正检索错误的 RAG 系统标准 RAG 流水线有个根本性的毛病：检索到的文档一旦与用户意图对不上号，模型照样能面不改色地输出一堆看似合理的胡话，既没有反馈机制也谈不上什么纠错能力。

使用底层API构建图LangGraph的宗旨是创建一个图结构，该图结构包含大模型、外部工具等，通过点线间的连接构成灵活的处理链路。基于该宗旨，LangGraph定义了一套由点、边、状态组成的有向有环的结构图语法。

实现ReACT智能体在LangGraph 是个“有状态图（state graph）”的工作流框架，每个节点可以是：HITL 就是把“人类操作”当作图里的一个节点（step），在运行时需要停下来等待人类确认、输入或决策，然后再继续执行。

LangGraph全家桶使用基于有向图（State Graph）的 AI 应用框架，用来构建多步推理、Agent 协作和可控对话流程。相比直接写 Chain，更结构化、可观测。

灵动如画 —— 初识 Solon Graph Fluent API 编排Solon Flow 在提供 json/ xml 编排之后。还提供了一套极为丝滑的流程图 Fluent API。它让流程定义回归到程序员最熟悉的工具——代码。

带刺的坐椅

灵动如画 —— 初识 Solon Graph Fluent API 编排Solon Flow 在提供 json/ xml 编排之后。还提供了一套极为丝滑的流程图 Fluent API。它让流程定义回归到程序员最熟悉的工具——代码。

大模型RAG和Agent技术实践

SQL Agent从“黑盒“到“全透明“：基于LangGraph+Phoenix的可观测性实战指南你有没有遇到过这样的场景：辛辛苦苦搭了个 SQL Agent，满心欢喜地测试"研发部的平均薪资是多少？"，结果它自信满满地返回了一个错误答案，或者干脆报错罢工？

╭⌒若隐_RowYet——大数据

AI Agent开发实战QuickStart考虑到目前的个人计算机都是CPU为主的机器，如果你是和笔者一样囊中羞涩却又执着于AI Agent，本地部署Ollama加载一个小模型是经济实惠的选择，并不影响你对大模型的掌握和学习，毕竟学习的目的重在通过一片落叶而看到整个秋天，而不是没有见过汪洋，就以为江河最大；

安娜的信息安全说

LangGraph：构建智能工作流的新方式LangGraph 是一个开源框架，旨在帮助开发者使用语言模型（LLM）构建复杂的、有状态的应用程序。它的核心理念是将应用逻辑表示为图（Graph），其中节点代表操作或任务，边表示任务之间的依赖关系。这种方式非常适合处理多步骤推理、分支逻辑以及需要记忆状态的场景。

【AI】04AI Aent:十分钟跑通LangGraph项目:调用llm+agent开发+langSmith使用langGraph实操先退出现有的langchain虚拟环境然后新建一个langgraph的虚拟环境3.11

大模型RAG和Agent技术实践

从零构建：基于 LangGraph 的医疗问诊智能体实战（完整源代码）在医疗人工智能领域，构建一个能够真正理解患者病情、提供可靠诊断建议的智能体，其核心挑战并非对话生成本身，而是上下文的深度掌控与精准管理。患者的历史就诊记录、当前的身体状况、多轮对话中逐渐浮现的症状细节，这些信息构成了极其复杂的上下文环境。如何让智能体在有限的上下文窗口内，既不遗漏关键的历史信息，又不被无关细节淹没，是每一个医疗AI开发者必须深思的问题。

yubin1277408629

langgraph调用mcp，langsmith调试一份示例代码，使用langgraph构建一个简单的graph，模型加载mcp工具，使用langsmith查看效果

LangGraph 中断恢复机制学习你说得非常对！一篇清晰的技术总结，应当遵循“原理 → 问题 → 解决方案”的逻辑结构，而不是将问题和方案混杂在原理说明中。以下是按照你建议的结构重写后的技术文章：

Wilber的技术分享

【大模型实战笔记 8】深入理解 LangGraph：构建可持久化、多智能体的 LLM 工作流摘要：本文系统解析 LangGraph 框架的核心设计理念与工程实践，详解其图式架构、状态管理机制及高级应用场景，包括持久化内存、人机协同、多智能体系统与规划执行模式，助你构建复杂可靠的 LLM 应用。

人肉推土机

推荐一个langchain开发工具包：langchain-dev-utils在 LangChain 或 LangGraph 生态下做开发的同学，大概率都踩过这些坑：切换不同厂商的大模型要改一堆适配代码、工具调用时参数解析繁琐、多智能体协作逻辑混乱、状态图组合调试困难……这些重复且低效的工作，往往占据了我们大量开发时间。

[Ai Agent] 12 Swarm 与 Agents SDK —— 去中心化的多智能体协作博客配套代码发布于github：12 Agents SDK & Swarm 模式相关Agent专栏：Ai Agent教学

大模型应用：LlamaIndex、LangChain 与 LangGraph 细节深度、协同应用.24在大模型应用开发中，如何高效地利用私有数据、编排复杂任务以及管理多轮对话状态是三个核心挑战。LlamaIndex、LangChain和LangGraph分别针对这三个挑战提供了专业解决方案。今天我们将深度解析这三个框架的架构设计、核心细节，并通过实战案例展示如何协同使用它们构建强大的LLM应用。

使用LangGraph构建一个简单的智能客服机器人LangGraph是一个灵活的Agent开发框架。节点（nodes）和边（edges）是它两个比较重要的概念。

基于LangGraph的聊天机器人模拟评估系统（Ubuntu 2204 + Conda + vLLM）作者：吴业亮博客：wuyeliang.blog.csdn.net将HF格式的大模型（如Llama-2-7B-chat-hf）放到本地路径，并修改config.py中的MODEL_PATH为实际路径。

LangGraph系列9 ：调试、日志与可观测性 —— 当你的 AI 智能体突然精神分裂，如何 5 分钟定位故障？图片来源网络，侵权联系删。上一篇：LangGraph系列8：别再手动拼接！LangGraph + LangChain 工具链的深度集成实战