AI天才研究院和光剑读书创始人兼CEO
AI人工智能与大数据付费40871篇
计算付费14040篇
ChatGPT 实战付费2282篇
Agentic AI 实战付费17861篇
ChatGPT付费8014篇
AI大模型企业级应用开发实战付费28899篇
【精选大厂面试题详解】付费626篇
LLM大模型落地实战指南付费4281篇
AI大模型应用入门实战与进阶付费8758篇
每月推书付费436篇
深度学习实战付费3608篇
Golang实战付费160篇
Java实战付费447篇
Python实战付费6694篇
AI实战付费5210篇
一天一门编程语言付费117篇
实用工具箱付费60篇
ClickHouse企业级实战开发付费126篇
架构师必知必会系列付费1088篇
编程实践付费311篇
AI数据分析1篇
数据结构与算法6篇
《精通MCP：AI 智能体开发实战》1篇
AI Agent 价值投资实战24篇
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
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）
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）
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。
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（）。
专栏收录文章
关注
分享
扫一扫