Movatterモバイル変換

[0]ホーム
URL:

自定义博客皮肤VIP专享

*博客头图：

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览取消提交

自定义博客皮肤

-+
上一步保存

AI天才研究院

AI天才研究院和光剑读书创始人兼CEO

程序员光剑

博客等级

码龄10年

优质创作者: 人工智能技术领域

领域专家: 后端开发技术领域

12万+
原创
144万+
点赞
146万+
收藏
7万+
粉丝
关注
私信

热门文章

分类专栏

最新评论

  • 【光子 AI 】LangGraph：Graph = 有向有环图 + 状态机实现原理详解：数据结构模型与核心算法代码实现逻辑解析

    程序员光剑:6) Checkpoint 暂停/恢复与“人工介入”的本质6.1 暂停/恢复本质：把“控制流位置”也存起来只存 state 不够，因为恢复时你还得知道“下一步从哪跑”。所以 checkpoint 至少要有：statenext_nodes（或“当前节点 + 程序计数器”）可选：历史、事件、版本号恢复时把 state/next_nodes 原样取回，继续推进。LangGraph 的持久化 checkpoint 就是为这个目的：能中断、能恢复、能在多轮交互中延续同一条执行线程

  • 【光子 AI 】LangGraph：Graph = 有向有环图 + 状态机实现原理详解：数据结构模型与核心算法代码实现逻辑解析

    程序员光剑:循环（回路）图里只要存在 C -> D -> A 的边，执行器就会在某一步把 A 放回 active，于是形成循环。关键不是“允许环”，而是必须有：退出条件（比如 router 返回 "end"）递归上限（recursion_limit）防止无限跑（LangGraph 也有类似限制/保护机制）

  • 【光子 AI 】LangGraph：Graph = 有向有环图 + 状态机实现原理详解：数据结构模型与核心算法代码实现逻辑解析

    程序员光剑:运行阶段：状态机主循环（最核心）一个足够贴近 LangGraph 精神的“最小 runner”长这样：初始化 state初始化 active = [first_node]（START 的出边决定第一个节点）while active 非空：逐个执行 active 节点（可串行，也可并行；LangGraph 内部会更复杂）收集每个节点的 update按 reducer 合并进全局 state根据边和条件计算 next_active保存 checkpoint终止条件：到 END / 无 next / 达到递归上限（防死循环）

  • 【光子 AI 】LangGraph：Graph = 有向有环图 + 状态机实现原理详解：数据结构模型与核心算法代码实现逻辑解析

    程序员光剑:LangGraph 实际上构建了一个**“虚拟的操作系统”**：State (Memory/RAM): 运行时的上下文数据。Node (CPU): 处理数据的逻辑单元。Edge (Bus/Control Flow): 数据和控制信号的传输路径。Checkpoint (Disk): 数据的持久化存储。通过将 Agent 逻辑显式化为图结构，LangGraph 解决了 LangChain 原生 Chain 在处理复杂循环逻辑（如 ReAct 模式中的反复思考-行动循环）时的不可控性，使得构建复杂的、有状态的 AI 应用成为可能。

  • 【光子 AI 】LangGraph：Graph = 有向有环图 + 状态机实现原理详解：数据结构模型与核心算法代码实现逻辑解析

    程序员光剑:LangGraph 的本质及其表现形式可概括如下：### LangGraph 的本质1. **基于 Pregel 的图计算模型重构** LangGraph 的核心是对 Google Pregel 模型的深度改造，将原本用于分布式数据处理的图计算框架，转化为**构建有状态、可循环的智能体工作流引擎**。其本质是通过图结构定义程序逻辑，而非单纯分析数据图（）。2. **图即程序（Graph-as-Program）** 与传统图计算不同，LangGraph 中的图结构直接表示**动态执行逻辑**： - 节点（Node）封装计算单元（如 LLM 调用、工具执行） - 边（Edge）定义状态流转路径 这种设计使图本身成为可执行的智能体程序（）。### 表现形式：有向有环图 + 状态机1. **有向有环图（Directed Cyclic Graph）** - 支持循环结构，允许状态在节点间多次传递（如智能体的多轮思考） - 示例：对话智能体中，用户反馈可触发重新执行前序节点（）。2. **状态机机制** - **动态状态管理**：每个节点接收状态，修改后传递至下游 ```python # 伪代码：状态传递示例 def node(state): new_state = process(state) # 修改状态 return Send(node="next_node", arg=new_state) # 发送至指定节点 ``` - **灵活状态解耦**：支持子图使用独立状态（如映射-归约场景），再聚合到主状态（）。3. **消息驱动执行** 通过 `Send` 类实现异步通信： - `node` 参数指定目标节点 - `arg` 参数传递自定义状态（可完全覆盖或部分更新） 这种机制实现**条件分支、循环、并行**等复杂逻辑（）。### 典型应用场景1. **多步推理智能体**：循环调用工具链解决复杂问题 2. **动态 RAG 系统**：根据中间结果调整检索策略 3. **对话工作流**：管理多轮对话状态与分支跳转（） > LangGraph 的创新在于将 Pregel 的 **"以顶点为中心的计算"** 转化为 **"以节点为中心的工作流"**，使图结构成为动态智能体的执行蓝图（）。

LLM大模型落地实战指南

文章平均质量分 91
深入探讨如何将LLM大模型应用于实际场景中。我们将涵盖LLM大模型的基本原理和架构，以及如何训练和调优模型。我们还将介绍如何处理和准备数据集，以及如何使用预训练模型进行特定任务的微调和迁移学习。专栏中还将包括一些实际案例和最佳实践，帮助您更好地理解和应用LLM大模型。
文章数：4281文章阅读量：4447550文章收藏量：28548
余额抵扣
助学金抵扣
还需支付
¥49.90¥99.00
会员专享权益购买须知?

本专栏为图文内容，最终完结不会低于15篇文章。

订阅专栏，享有专栏所有文章阅读权限。

本专栏为虚拟商品，基于网络商品和虚拟商品的性质和特征，专栏一经购买无正当理由不予退款，不支持升级，敬请谅解。

开通超级会员，可免费订阅此专栏，还有更多专栏·视频免费学 。

作者: 程序员光剑

资深程序员、架构师和AI大模型应用专家。拥有阿里巴巴、字节跳动十年工作经验，在AI大模型应用、智能数据产品、企业级系统架构和研发效能平台工具等领域积累了丰富的实践经验。技术领域涵盖Java、Golang、Python等多种编程语言，精通大数据技术栈和AI应用开发技术。著有《精通MCP：AI智能体开发实战》《从零构建AI Agent：大模型应用开发实践》《ClickHouse入门实战与进阶》《Spring Boot开发实战》《Kotlin从入门到进阶实战》《Kotlin极简教程》等多部技术专著，个人技术博客全网阅读量达1.6亿。热爱技术，擅长用技术解决业务问题。平时喜欢读书、写作和思考。
展开

专栏收录文章

  • 默认排序
  • 最新发布
  • 最早发布
  • 最多阅读
  • 最少阅读
[8]ページ先頭
©2009-2025 Movatter.jp