Agent工作流 下面展示了如何创建一个“计划并执行”风格的代理。 这在很大程度上借鉴了 论文以及 项目。 核心思想是先制定一个多步骤计划，然后逐项执行。 完成一项特定任务后，您可以重新审视计划并根据需要进行修改。 一般的计算图如下所示 这与典型的 风格的代理进行了比较，在该代理中，您一次思考一步。 这种“计划并执行”风格代理的优势在于 1. 明确的长期规划（即使是真正强大的 LLM 也可能难以做

LangGraph原理 🦜🕸️LangGraph ⚡ 以图的方式构建语言代理 ⚡ 官方文档地址：<https://langchain ai.github.io/langgraph/ LangGraph 是一个用于构建具有 LLMs 的有状态、多角色应用程序的库，用于创建代理和多代理工作流。与其他 LLM 框架相比，它提供了以下核心优势：循环、可控性和持久性。 LangGraph 允许您定义涉及

AI 领域正从基础的 RAG 系统向更智能的 AI 智能体进化，后者能处理更复杂的任务并适应新信息。LangGraph 作为 LangChain 库的扩展，助力开发者构建具有和循环计算能力的先进 AI 系统。 LangGraph流程 LangGraph 是 LangChain 的高级库，为大型语言模型（LLM）带来循环。它超越了 LangChain 的线性工作流，通过循环支持复杂的任务处理。 状态

ReAct 官方文档地址：<https://langchain ai.github.io/langgraph/how tos/ prebuilt react agent 中文文档地址：<https://www.aidoczh.com/langgraph/how tos/ react 在本操作指南中，我们将创建一个简单的 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

Human in the loop 人机交互 （或称“在循环中”）工作流将人类输入整合到自动化过程中，在关键阶段允许决策、验证或修正。这在 基于 LLM 的应用 中尤其有用，因为基础模型可能会产生偶尔的不准确性。在合规、决策或内容生成等低误差容忍场景中，人类的参与通过允许审查、修正或覆盖模型输出来确保可靠性。 使用案例 基于 LLM 应用中的 人机交互 工作流的关键使用案例包括： 1. ：人类可以

一个视频带你搞定langgraph子图可控性 在复杂的多代理协作场景中，LangGraph 支持2子图之间的状态共享。主图可以通过状态对象与子图交互，确保各子图能够访问和更新全局状态。 这种机制使得多个智能体可以协同工作，同时保持状态的一致性。 对于更复杂的系统，子图是一个有用的设计原则。子图允许您在图的不同部分创建和管理不同的状态。 示例：我有一个接受日志并执行两个独立子任务的系统。首先，它将对

需求智能收集助手 在这个例子中，我们将创建一个帮助用户生成提示的聊天机器人。它将首先从用户那里收集需求，然后生成提示（并根据用户输入进行细化）。这些被分成两个独立的状态，LLM 决定何时在它们之间转换。 下面的图表显示了该系统的图形表示。 收集信息 首先，让我们定义图中用于收集用户需求的部分。这将是一个带有特定系统消息的 LLM 调用。它将访问一个工具，当它准备好生成提示时可以调用该工具。 生成提

添加持久性内存 LangGraph 具有一个内置的持久化层，通过实现。当您将检查点与图形一起使用时，您可以与该图形的状态进行交互。当您将检查点与图形一起使用时，您可以与图形的状态进行交互并管理它。检查点在每个超级步骤中保存图形状态的检查点，从而实现一些强大的功能 首先，检查点通过允许人类检查、中断和批准步骤来促进工作流。检查点对于这些工作流是必需的，因为人类必须能够在任何时候查看图形的状态，并且图