JaydenAI

在LangChain 的 LCEL设计体系中，这两个组件是实现`自定义逻辑`与`流式传输`的核心桥梁。它们允许你将普通的Python函数包装成具备`invoke`、`batch`和`stream`能力

在复杂的 AI 系统中，仅仅能“运行”是不够的，RunnableSerializable 使组件`可保存、可传输、可重建`。大多数常用的 LangChain 组件对应的类型都是它的派生类。

复杂的流程在运行的时候还需要跨越多个对话的长期甚至永久存储，这类存储被抽象成一个`BaseStore`类型，采用内存存储的`InMemoryStore`它的常用实现。

如果针对某个过去的历史节点调用此方法，就会在对应的地方开启了一个新的分支。除此之外，我们还可以利用`bulk_update_state/abulk_update_state`方法实现批量状态更新。

Pregel提供了update_state/aupdate_state和bulk_update_state/abulk_update_state方法，我们可以调用它们以增量的方式修改部分状态

到目前为止，我们已经大体了解Pregel的invoke/ainvoke方法在背后都做了什么。接下来我们分两种情况简单梳理一下Pregel对象的执行的大体流程，这也是我们创建的Agent的执行流程。

我们调用`invoke`方法的时候，可以利用参数durability指定持久化模式，它决定了在Superstep N结束后持久化与开始Superstep N+1之间的关系

PendingWrite三元组的第二部分表示写入的Channel，但是对于一些特殊的场景，比如出错、无写入、中断和恢复，它们的值不再是一个普通的Channel名称，而是使用如下的值.

对于一个已经完成的Superstep来说，对应 Checkpoint就代表了它的状态；但是对于一个因中断尚未完成的Superstep，某个时刻的状态由上一Superstep的Checkpoint...