一句话总结：LangGraph 把 Agent 工作流建模成状态图（StateGraph）——State 是公共黑板、Node 是干活单元、Edge 定流转；与传统 DAG 不同它支持循环，agent 能反复迭代推理、循环调工具，还能 checkpoint 恢复。

核心三要素（面试默写）

要素	职责
State	图运行共享数据结构（输入/上下文/中间结果），所有节点可读写
Node	Python 函数，读 State 返回局部更新；节点间完全解耦，仅靠 State 交互
Edge	固定边（A 完必走 B）/ 条件边（路由函数按 State 动态选下一节点）

支持循环（拉分点）

• 与传统 DAG 不同，图可反复流转——迭代推理、工具调用循环
• 执行用消息传递算法（Google Pregel 启发）
• 状态更新：覆盖更新 / 追加更新（Reducer 归约器，如 operator.add 追加消息列表）

典型拓扑

START → agent（模型调用）→ should_continue（条件判断）→ tools（执行工具）/ END

状态设计与可恢复（深度分）

• 什么进 State：需跨步骤持久化（历史对话/工具结果/文档）；可从其他数据推导的不存
• checkpoint：状态持久化 → 中断恢复、人工介入（human-in-the-loop）
• 子图/并行：复杂工作流拆子图，可并行分支

面试要点

• 能默写 State/Node/Edge 三要素
• 能讲循环 vs DAG 的区别
• 能画 agent/tools 循环拓扑
• 能说状态设计原则（跨步才存）+ checkpoint 恢复

相关概念

• [AI-Agent-核心设计模式](/学习笔记/AI技术/AI Agent/AI-Agent-核心设计模式) — 模式层
• [AI-Agent-规划器与任务分解](/学习笔记/AI技术/AI Agent/AI-Agent-规划器与任务分解) — 编排上游
• [AI-Agent-长任务执行与状态管理](/学习笔记/AI技术/AI Agent/AI-Agent-长任务执行与状态管理) — 状态持久化
• [AI-Agent-多Agent协作与A2A协议](/学习笔记/AI技术/AI Agent/AI-Agent-多Agent协作与A2A协议) — 多 Agent 编排