LangGraph 是一个用于构建有状态的多参与者应用程序的库，利用 LLM 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：循环性、可控性和持久性。LangGraph 允许您定义涉及循环的流程，这对于大多数代理架构至关重要，使其与基于 DAG 的解决方案区别开来。作为一个非常底层的框架，它提供了对应用程序流和状态的细粒度控制，这对于创建可靠的代理至关重要。此外，LangG

协作 官方文档地址： 中文文档地址： 单个代理通常可以使用少量工具在一个域内有效地运行，但即使使用像 gpt 4 这样的强大模型，它在使用许多工具时也可能效率较低。 解决复杂任务的一种方法是使用“分而治之”的方法：为每个任务或域创建一个专门的代理，并将任务路由到正确的“专家”。 此笔记本（受 Wu 等人撰写的论文 的启发）展示了一种使用 LangGraph 进行此操作的方法。 生成的图将类似于以下

检查点 检查点是每个超级步骤保存的图状态的快照，并由 StateSnapshot 对象表示，具有以下关键属性： config ：与此检查点相关的配置。 metadata ：与此检查点相关的元数据。 values ：此时状态通道的值。 next ：将要在图中执行的下一个节点名称的元组。 tasks ：包含有关要执行的下一个任务信息的 PregelTask 对象的元组。如果该步骤之前尝试过，它将包含错

对于增强基于 LLM 的应用响应性至关重要。通过逐步显示输出，即使在完整响应尚未准备好之前，流式处理显著改善用户体验（UX），尤其是在处理 LLM 的延迟时。 官方文档地址：<https://langchain ai.github.io/langgraph/how tos/ streaming 中文文档地址：<https://www.aidoczh.com/langgraph/how tos/ 3