auto_ai 知识库

Appearance

一句话总结：LangGraph 把 Agent 建成一张"状态机图"——State（共享数据）+ Node（函数）+ Edge（流转控制），节点读状态返回局部更新、reducer 合并，每个 super-step 存 checkpoint 支持断点恢复与时间旅行；理解这张图就理解了现代 Agent 框架的运行时。

心智模型：State / Node / Edge ​

要素是什么作用
State图运行中的共享数据结构保存输入、上下文、中间结果
Node普通 Python 函数读取 State，返回局部更新（diff）
Edge节点间的流转普通边 / 条件边 / 循环边
START → [Node A] --普通边--> [Node B] --条件边--> [Node C] / END
                        ↑                        │
                        └────── 循环边（条件边指回）────┘

三种边（控制流骨架） ​

边语义用途
普通边无条件顺序执行（A→B）线性流程
条件边路由器函数按当前 State 决定去向if/else 动态分支
循环边条件边指回已执行节点Agent 循环（ReAct）

执行循环（核心流程） ​

  1. 初始化 State（合并输入）
  2. 从 entry point 节点开始执行
  3. 节点函数返回 diff
  4. reducer 合并 diff 生成新 State 快照
  5. 按出边（普通/条件）确定下一节点
  6. 重复 3-5 直到 END，返回最终 State

Super-step 与 Checkpointer（面试亮点） ​

  • Super-step：一次"tick"——该步所有节点（可并行）执行完，统一应用更新
  • 并行安全：并行节点用独立 State 副本执行，结束后确定性顺序应用（无数据竞争）
  • Checkpointer：每个 super-step 边界保存图状态快照到 thread → 支持中断/恢复/时间旅行（time travel，回放历史状态调试）
  • 这就是"长任务可恢复"的机制基础（对接 [AI-Agent-记忆系统](/学习笔记/AI技术/AI Agent/AI-Agent-记忆系统) 的会话状态）

经典 ReAct 循环（LangGraph 实现） ​

agent 节点 → should_continue 条件边
   ├─ 模型想调工具 → tools 节点 →（普通边）→ 回 agent 节点
   └─ 模型直接回答 → END

面试要点 ​

  • 能画出 State/Node/Edge 心智模型并解释各要素
  • 能说出三种边（普通/条件/循环）与各自用途
  • 能讲执行循环 6 步（含 reducer 合并）
  • 能讲 super-step + checkpoint 的价值（可恢复/时间旅行/并行安全）——这是"框架为什么这么设计"的深度分

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) — 框架实现的模式层
  • [AI-Agent-主流框架对比](/学习笔记/AI技术/AI Agent/AI-Agent-主流框架对比) — 各框架横向对比
  • [AI-Agent-实战教程](/学习笔记/AI技术/AI Agent/AI-Agent-实战教程) — LangGraph 节点化落地
  • [AI-Agent-工作流编排](/学习笔记/AI技术/AI Agent/AI-Agent-工作流编排) — 图编排的业务视角