2025 年初，OpenAI Deep Research 与 Perplexity Deep Research 的发布引发了业界广泛关注：面对一个宏大而复杂的问题，AI 不再仅仅依赖单次模型推理给出简短答案，而是能够像一位资深行业分析师一样，自主规划数十个研究子方向，进行多轮网络检索、阅读上百篇网页 ...
一、同一个问题，为什么会走出两条路早期版本里，我让模型自己决定分析流程。给它工具、给它目标，让它规划下一步，这听起来很像 Agent。
后来我把同一个问题问了两次。第一次，它先做产业诊断，再查政策。第二次，它先查政策，再回头补诊断。两份结论都不离谱，却不能放在一起比较：一份把问题归因到产业结构，另一 ...
前面的章节中，为了理清图拓扑、状态流动和分支机制，我们多次用简单的字符串拼接或占位函数模拟了 LLM 的返回结果。在真实的 Agent 系统中，节点的核心工作通常就是与模型交互。
在 LangGraph 中接入模型并不神秘：节点本身就是一个普通的 Python 函数，任何可以通过 Python SD ...
让大语言模型一次性写出一篇结构完整、事实准确、语言流畅的万字技术文章或深度报告，现实中往往容易翻车：模型写到中途容易遗漏关键论点、上下文注意力分散，或者各段落风格割裂。一旦生成质量不合格，唯一的补救手段就是全盘重跑，不仅成本翻倍，而且很难定位到底是哪一段出了偏差。
工程上更靠谱的做法是 Prompt ...
本文是「LangGraph 核心与实战」系列专栏的第 5 篇。专栏总览参见：《LangGraph 核心架构全景：用状态图构建可控 Agent 工作流》。
在顺序图与基础条件分支中，节点的执行在时序上是完全串行的：步骤 A 跑完才启动步骤 B。然而在许多现实业务中，任务包含多个彼此没有数据依赖的独 ...
本文是「LangGraph 核心与实战」系列专栏的第 4 篇。专栏总览参见：《LangGraph 核心架构全景：用状态图构建可控 Agent 工作流》。
在顺序图中，所有节点都由固定的 add_edge 单向连接，每一步的去向在编写代码时就已被锁死。但在真实的智能体应用中，系统必须根据运行期的动 ...
本文是「LangGraph 核心与实战」系列专栏的第 3 篇。专栏总览参见：《LangGraph 核心架构全景：用状态图构建可控 Agent 工作流》。
顺序图（Sequential Graph）是 LangGraph 中结构最简单、但工程意义最基础的拓扑结构：节点按照确定的先后次序单向执行，没 ...
本文是「LangGraph 核心与实战」系列专栏的第 2 篇。专栏总览参见：《LangGraph 核心架构全景：用状态图构建可控 Agent 工作流》。
任何 LangGraph 应用在底层都由三个核心部件构成：状态（State）、节点（Node）与图（Graph）。
虽然很多入门示例只有十来行 ...
本文是「LangGraph 核心与实战」系列专栏的第 1 篇。专栏总览参见：《LangGraph 核心架构全景：用状态图构建可控 Agent 工作流》。
构建基于大语言模型（LLM）的应用时，最直观的写法通常是将多个调用像链条一样串联起来：
1234# 典型的链式调用原型step1_res = ...
在构建基于大语言模型的自动化系统时，线性链式调用（Chain）往往是许多开发者的起点：将上一步的输出直接拼入下一步的 Prompt，连续触发多次模型推理。这种模式在快速验证原型时简单有效，但随着业务逻辑引入条件分支、循环重试、多路并发以及人工介入（Human-in-the-loop），单纯依靠线性链 ...
