本章你将学到 为什么 LLM 的字符串输出不够用，什么是结构化输出 Pydantic 数据模型的定义方法（字段、类型、约束、描述） with_structured_output() 的工作原理（fun

一、LLM 为什么天生没有记忆？ 这是初学者最常见的困惑："为什么昨天告诉了 AI 我的名字，今天它又不记得了？" 原因：LLM 是无状态函数。每次 API 调用都是独立的，就像调用 sin(x) 函

一、工具、技能、Agent：三个层次的区别 随着 AI 应用的复杂度增加，你会发现仅仅用"工具（Tool）"来描述 AI 能力已经不够了。 三个层次的类比： 层次 类比 说明 工具（Tool） 一把锤

get_state_history()浏览历史检查点，旧快照values分叉新时间线，update_state()注入修改后继续执行，赋予Agent事后控制能力。

在tools节点前插入中断点，用stream暂停执行、审查工具调用，Command(resume=True)恢复运行，实现人机协作。

将内存检查点替换为 PostgreSQL 持久化存储。PostgresSaver 自动建库建表，四张核心表分别存储快照、增量写入、大对象和迁移版本。

从 MessagesState 扩展到 TypedDict 自定义状态，用 Annotated 声明字段归约策略。messages 挂载 add_messages 实现追加合并，其他字段默认覆盖。

在大模型应用开发领域，LangChain 与 LangGraph 已成为构建复杂 AI 系统的双子星框架。LangChain 以组件化思想提供标准化的 LLM 应用开发抽象，而 LangGraph 则

ReAct Agent 对比 LangGraph。Java 自研 ReAct Agent 半年后，我用 LangGraph 验证了这些设计取舍。