langgraph

LangChain入门（十五）- LangGraph为什么这么香，看它是如何逆天DIFY的在构建复杂的 AI 应用时，我们常常面临一个核心挑战：如何优雅地处理多步骤、动态决策、状态依赖的执行流程。传统的链式调用（如 LangChain 的 LCEL）虽然简洁高效，但在面对“需要根据中间结果动态决定下一步操作”或“多次循环检索-推理”等场景时，往往显得力不从心。而市面上一些低代码平台（如 DIFY）虽然提供了可视化编排，却在灵活性与控制粒度上存在明显短板——尤其在需要精细干预每一步逻辑、实时反馈或并行处理多个知识源时，其“黑盒”特性反而成了瓶颈。

【Vibe Coding】初步认识LangChain&LangGraph🔥个人主页：中草药🔥专栏：【后端】登神长阶实战落地后端全路线手册VibeCoding（氛围编程 / 感觉编程）是 2025 年初由 OpenAI 联合创始人 Andrej Karpathy 提出的新型 AI 辅助编程范式，核心是通过自然语言描述意图，让 AI 生成代码并处理底层实现细节，开发者从 "逐行写码者" 转变为 "需求引导者" 和 "结果验收者"。这种方式彻底重构了软件开发流程，让编程更关注 "做什么" 而非 "怎么做"。

Solon AI Remote Skills：开启分布式技能的“感知”时代引言：AI Agent 的“最后一公里”挑战在 AI Agent 的工程实践中，我们正在经历一场从“本地集成”到“云端插件化”的变革。过去一年，行业见证了 Model Context Protocol (MCP) 的崛起，它成功解决了大模型与外部工具跨进程连接的“协议标准化”问题。然而，随着企业级场景的深入，开发者们发现：仅仅实现连接是不够的。

LangGraph存储API完全解析：从客户端调用到服务端路由的完整链路深入剖析LangGraph框架中store/items/search接口的自动化机制，揭示客户端SDK如何无缝连接服务端存储后端。

大模型RAG和Agent技术实践

智审未来：基于 LangGraph 多 Agent 协同的新闻 AI 审查系统深度实战（完整源代码）在信息传播速度以秒计的今天，新闻审查面临着前所未有的挑战：海量内容涌入、合规标准复杂、隐喻暗示难以捕捉。传统的关键词过滤早已力不从心，海量新闻内容对审核机制提出了极高的效率与准确性要求。传统的人工审查模式面临效率瓶颈、标准不一以及对隐蔽内容识别困难等痛点。

weixin_46244623

从零搭建AI关系图生成助手：Chainlit 结合LangChain、LangGraph和可视化技术在AI快速发展的今天，如何将文本中的技术信息自动整理成可视化关系图，是很多开发者和数据分析师面临的需求。本文将分享一个完整项目案例——AI关系图生成助手，它基于 LangChain、LangGraph 和 Chainlit 构建，能够自动抽取实体关系三元组并生成 Graphviz 和 Mermaid 可视化图表。

LangGraph：让AI学会“回头是岸”的智能体架构在大模型应用开发的早期，我们像工厂老板一样，把AI当作一条高效但死板的流水线：输入进来，经过A、B、C几个固定工位，最后吐出结果。这种DAG（有向无环图）模式确实快，可一旦任务复杂一点，比如需要反复试错、中途查资料、甚至“我刚才说错了”，这套系统就直接宕机。LangChain早期的Chain设计正是如此——线性、脆弱、没有“后悔药”。

04｜Langgraph | 从入门到实战 | 进阶篇 | 流式传输本系列为Langgraph文章，最终以实现企业级项目。💟 我们已经上线了一版本初稿，欢迎各位体验 https://ai.sofreight.com/ 💟

LangGraph框架在LangChain体系中，LangGraph 是一种基于状态机的框架，专为构建复杂的 AI 工作流而设计。它允许开发者定义图结构来表示不同的操作节点以及它们之间的流转逻辑。包含 START 初始入口、END 某个分支或者整体工作的结束节位置、自定义任务节点。

LangChain、LangFlow、LangGraph：一文讲清三大 LLM 框架的定位与差异随着大模型（LLM）进入工程化落地阶段，“如何把模型变成真正可用的应用” 成了很多从业者绕不开的问题。围绕这个目标，社区里逐渐形成了一批成熟的开源框架，其中被讨论最多的就是 LangChain、LangFlow、LangGraph。

langchain1.x学习笔记（三）：langchain之init_chat_model的新用法

构建智能体与工具调用LangGraph底层依赖LangChain，接入大模型与 LangChain 完全一致，具体可参考文档 Model大模型接口

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；