LLM大模型

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状态管理和循环计算能力的先

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

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://w

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 计划和解决 论文以及 Baby-AGI 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

协作 官方文档地址：https://langchain-ai.github.io/langgraph/how-tos/#multi-agent 中文文档地址：https://www.aidoczh.c

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。 value

流式处理 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://

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

Human-in-the-loop(人机交互) 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