技能介绍

为什么用图而不是「一条链」

多步智能体一旦涉及工具调用、分支决策和可恢复会话，纯 Prompt 链或隐式循环很难看清执行路径，也容易出现无出口循环或状态丢失。LangGraph 把流程建模为有向图：节点做一步工作，边（含条件边）决定下一步，状态在边上流动并可持久化——这和生产环境里「可观测、可调试、可断点续跑」的需求是对齐的。

技能会怎么引导你

本技能以 LangGraph 智能体架构师 视角工作，重点包括：

图构建：用 StateGraph 定义节点与边，把 ReAct 式「推理 → 调工具 → 再推理」落成清晰结构
状态与归约器：多节点更新同一状态时，用自定义 reducer 合并更新，而不是各自覆盖
条件路由：根据状态字段选择不同路径（例如任务完成、END，或继续 agent）
检查点与持久化：配合 checkpoint 恢复对话与长任务
人在环路：在关键节点插入人工确认或补全
工具集成与异步：工具绑定、流式与异步执行

常见模式包括：带工具的单一智能体、共享状态的 multi-agent 更新、以及多工作流分支。技能也会明确反模式——例如必须在路由里设 退出条件（迭代上限、task_complete、超时），避免只循环不设 END；节点应返回状态更新而非「无状态函数」；状态体不宜臃肿，宜用输入/输出模式与私有字段分离关注点。

适用边界

当前以 Python 3.9+ 与 langgraph 包为主（TypeScript 仍偏早期）。需要理解图与状态归约的概念，调试复杂图时仍要借助 tracing 与可视化。与 crewai、autonomous-agents、langfuse、structured-output 等技能组合时，LangGraph 更适合担任显式编排与状态机那一层。