langgraph

weixin_47138303

07 LangGraph 集成 RAGRAG = Retrieval-Augmented Generation（检索增强生成）用户提问问题向量化

LangChain的六大核心组件与 RAG 知识库构建随着大语言模型（LLM）的蓬勃发展，开发者面临着 API 标准各异、模型缺乏外部知识、提示词管理困难等现实痛点。LangChain 由此诞生。它本身并非是一个新的大模型，而是一个标准化的 LLM 应用开发框架。它通过为各种 LLM 提供统一的接口，将模型、提示词、数据源、记忆体等组件标准化地“串联”起来，快速构建复杂的生成式 AI 应用。

LangGraph 之【持久化能力】（线程级\跨会话持久化、重放更新状态、get_state、PostgresSaver、PostgreasStore）目录1. 为什么需要持久化能力LangGraph 持久化的两大支柱2. 线程级持久化（Checkpoint）

让 Agent 自己跑到终点线：Goal 模式智能体实战传统的对话式和 ReAct 式 Agent，靠的是"你说一步、它走一步"，控制权始终握在人手里。而 Goal 模式（目标驱动模式）把控制权彻底反转：人类只定义"终点在哪"，Agent 自己负责"规划路径、调用外部工具、核查进度、调整策略"，直到当前状态收敛到目标状态为止。本文先讲清 Goal 模式是什么、它和其它主流 Agent 模式（Prompt / ReAct / Plan-and-Execute / Loop）的本质区别，然后落地一个 LangGraph + 金蝶云星空 OpenAPI 的实战案例

喜欢的名字被抢了

langgraph教程系列-07-让人介入-人在回路本文是「LangGraph 教程系列」第 7 篇。写作时基于 langgraph 1.2.10、langchain 1.3.14、langchain-openai 1.4.1、Python 3.12+。配套代码仓库 https://github.com/wxj006007/deep-research-assistant ，本篇对应 tag v2.1。

糖果店的幽灵

大模型测评DeepEval快速入门-安全与通用指标详解文档基于 DeepEval v4.1.0 编写来源：https://deepeval.com/docs/metrics-hallucination 等

喜欢的名字被抢了

langgraph教程系列-06-让流程可暂停 - 持久化与 checkpoint本文是「LangGraph 教程系列」第 6 篇。写作时基于 langgraph 1.2.10、langchain 1.3.14、langchain-openai 1.4.1、Python 3.12+。配套代码仓库 https://github.com/wxj006007/deep-research-assistant ，本篇对应 tag v2。

喜欢的名字被抢了

langgraph教程系列-05-给 agent 装上手脚 - 工具调用本文是「LangGraph 教程系列」第 5 篇。写作时基于 langgraph 1.2.10、langchain 1.3.14、langchain-openai 1.4.1、Python 3.12+。配套代码仓库 https://github.com/wxj006007/deep-research-assistant ，本篇对应 tag v1.1。

行者-全栈开发

电商工单智能分发 Agent 实战:腾讯混元 Hy3 + WorkBuddy + LangGraph 生产落地💡 摘要: 本文复盘笔者作为电商中台架构师,主导的工单智能分发 Agent 项目落地全流程。基于腾讯混元 Hy3(2026 年 7 月 6 日正式发布)+ WorkBuddy 办公智能体工作台 + LangGraph 0.2.x 状态机,讲清多 Agent 工单分类、SLA 路由、自动升级、闭环验证的完整链路,以及混元 Hy3 Function Calling 接入、WorkBuddy MCP 工具链编排、TokenHub API 调用三个关键技术细节。项目上线后日处理工单 8 万单,分类准确率从 78

喜欢的名字被抢了

langgraph教程系列-03-状态如何在图里流动-reducer机制本文是「LangGraph 教程系列」第 3 篇。写作时基于 langgraph 1.2.10、langchain 1.3.14、langchain-openai 1.4.1、Python 3.12+。配套代码仓库 https://github.com/wxj006007/deep-research-assistant ，本篇对应 tag v0.2。

喜欢的名字被抢了

langgraph教程系列-01-为什么需要图-从链到图本文是「LangGraph 教程系列」第 1 篇。写作时基于 langgraph 1.2.10、langchain 1.3.14、langchain-deepseek 1.1.0、Python 3.12+。配套代码仓库 https://github.com/wxj006007/deep-research-assistant ，本篇对应 tag v0。

梦想的颜色

2026 AI Agent 工程师完整技术图谱｜从面试题「什么是本体 Ontology」切入，附精选面试题库2026 年，AI Agent 已经脱离 Demo 阶段，企业招聘不再只考察 ReAct、Function Calling 基础概念。大量中高级面试会抛出更深层次问题：什么是本体（Ontology）？本体在企业级 Agent 中解决什么痛点？本体和 RAG、知识图谱有什么区别？

Agent 动态调控：模型、工具、提示词、输出、流模式模型是Agent的推理引擎，其配置方式分为静态模型和动态模型两种。在创建Agent时一次性配置，执行期间保持不变。有两种指定方式：

喜欢的名字被抢了

langgraph教程系列-02-让流程分叉-条件边与路由本文是「LangGraph 教程系列」第 2 篇。写作时基于 langgraph 1.2.10、langchain 1.3.14、langchain-deepseek 1.1.0、Python 3.12+。配套代码仓库 https://github.com/wxj006007/deep-research-assistant ，本篇对应 tag v0.1。

LangGraph 主要3 种核心模式1. react_agent: 单 Agent + 工具;2. supervisor_agent: 多 Agent 协作

糖果店的幽灵

人已经用 WorkBuddy 找工作拿了面试，你还在一份份手工改简历投的简历越来越多，回音越来越少不是你不够努力，是琐事偷走了时间，别急 WorkBuddy 把找工作里最耗时间的6件事接过去从今天起，你少熬几个通宵，也少焦虑几周…

为什么要学习 LangGraph，LangChain 与 LangGraph 的适用边界LangGraph 是 LangChain 的扩展框架，它依托 LangChain 的底层基础构建，提供更多拓展能力。

人间凡尔赛

2026多智能体系统深度解析：从GPT-5.6 Ultra到开源框架，构建你的Agent军团2026年7月，OpenAI发布GPT-5.6 Sol旗舰模型，其Ultra模式可自动调度4至16个子智能体并行协同工作，标志着多智能体（Multi-Agent）系统从研究走向生产级部署的"奇点时刻"已然到来。

StateGraph —— LangGraph 的核心基石这份代码是 LangGraph StateGraph 最基础核心演示：状态在节点间持续传递、增量更新，非常适合入门理解 LangGraph 状态流转机制。

LangGraph 深度解析：用图结构构建下一代智能代理与多智能体系统随着大语言模型技术的快速演进，AI 应用早已从简单的单轮问答走向了复杂的自动化代理工作流。从链式调用的 LangChain 到自主决策的 ReAct 代理，开发者始终在追求更强的流程可控性、更灵活的状态管理与更可靠的循环逻辑。LangGraph 正是在这一背景下诞生的核心框架，它以图结构为基础，为构建有状态、可循环、支持人机协同的智能代理提供了一套底层、精细且高度可扩展的解决方案。