跳转至

人工智能

LangGraph 完全指南：从入门到精通与源码级原理剖析

LangGraph 的诞生背景与架构全景

LLM 应用编排的演进史

在理解 LangGraph 之前，我们需要回顾 LLM 应用编排框架的演进历程。这个演进本质上是 "如何让 LLM 应用的控制流从线性走向复杂" 的过程。

第一阶段：Prompt 模板 + API 调用（2022 年）

最初的 LLM 应用极其简单——写一个 prompt 模板，调用 OpenAI API，获取结果。这适合单轮问答，但无法处理多步推理。 

# 2022年的典型LLM应用
import openai
response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "翻译：Hello World"}]
)

LangGraph 入门到精通教程：从零基础到实现简易版 LangGraph

LangGraph 是 LangChain 生态中最重要的低层编排框架之一，它让开发者能够以“图”（Graph）的形式构建复杂、状态持久、多 Actor 的 LLM 应用。不同于传统的 LangChain Chain 或 Agent，LangGraph 真正解决了“长生命周期、有状态、可恢复、可中断、可调试”的核心痛点，被广泛用于构建生产级 Agent、自主工作流、多 Agent 协作系统等场景。

本文从入门（零基础快速上手）到深入（源码级原理分析），再到实践（基于 LangGraph 原理手写一个简易版 LangGraph），帮助你真正“精通”LangGraph。所有代码均在 Python 3.10+ 环境下测试通过，基于官方仓库原理提炼。

LangGraph 是什么？为什么需要它？

LangGraph 的核心思想源于 Google Pregel（一种大规模图计算框架）和 NetworkX 图接口。它把 LLM 应用建模为有向图：

  • 节点（Node）：执行具体动作的函数或 Runnable（LLM 调用、工具调用、Python 函数等）。
  • 边（Edge）：控制流（无条件边、条件分支边、动态 Send）。
  • 状态（State）：共享的 TypedDict，通过 Channel（通道）进行更新，支持多种归约器（reducer，如 append、last_value）。
  • 执行引擎：Pregel 算法 —— “超级步”（superstep）模型，实现 Bulk Synchronous Parallel（BSP），支持循环、并行、检查点持久化。

与 LangChain 的区别：

  • LangChain Chain 是线性/树状流程，适合简单任务。
  • LangGraph 是循环有向图（支持 cycle），天然适合 ReAct Agent、规划-执行-反思循环、多 Agent 协作。
  • 官方文档定位：LangGraph 是“为长期运行、有状态 Agent 设计的低层框架”，LangChain 很多高级 Agent（如 create_react_agent）底层就是 LangGraph。

核心优势：

  1. 持久化（Checkpoint）：任意时刻保存状态，支持故障恢复、人机协同。
  2. Human-in-the-Loop：中断执行，人工修改状态后继续。
  3. 流式 + 调试：stream_mode 支持 values/updates/debug/messages，与 LangSmith 无缝集成。
  4. 可扩展：自定义 Channel、Subgraph、Remote Pregel。
  5. 生产就绪：支持 Postgres/SQLite 持久化、异步执行、重试策略。

官方最新版本（2026 年 4 月）：langgraph==1.1.7a1（预发布），核心位于 libs/langgraph/langgraph/ 下，主要模块包括：

  • graph/：StateGraph、MessageGraph、分支逻辑。
  • pregel/：_loop.py、_runner.py、_algo.py、_checkpoint.py 等实现 Pregel 执行引擎。
  • channels/：LastValue、Topic、BinaryOperatorAggregate 等通道实现。
  • 分类于 人工智能
  • 需要 5 分钟阅读时间

Mem0：为 AI Agent 构建持久化记忆层的技术解析与实现原理

Mem0 是什么？

Mem0 (发音为"mem-zero") 是一个开源的 AI 记忆层（Memory Layer） 框架，专为大型语言模型（LLM）应用提供长期记忆能力。与简单的对话历史存储不同，Mem0 实现了语义理解、实体关系图谱、个性化偏好学习等高级记忆机制，使 AI 能够像人类一样"记住"用户、积累知识、并在多次会话中保持连续性。

其核心定位是介于传统 RAG（检索增强生成）与简单对话管理之间的智能记忆中间件，通过 分层记忆架构（Tiered Memory Architecture） 实现从短时记忆到长时记忆的完整生命周期管理。

MCP 完全指南：从入门到精通

入门篇：什么是 MCP？

MCP 的定义与价值

MCP（Model Context Protocol，模型上下文协议） 是一个开源标准协议，用于连接 AI 应用程序与外部系统。它就像 USB-C 接口 一样，为 AI 应用提供了一种标准化的方式来连接数据源、工具和工作流。

MCP 能做什么？

  • 让 AI 助手访问你的 Google Calendar 和 Notion，成为个性化助理
  • 让 Claude Code 根据 Figma 设计生成完整 Web 应用
  • 让企业聊天机器人连接多个数据库，通过对话分析数据
  • 让 AI 模型创建 3D 设计并通过 3D 打印机输出

为什么 MCP 很重要？

角色 收益
开发者 减少开发时间和复杂度，无需为每个集成重复造轮子
AI 应用 接入丰富的数据源和工具生态，增强能力
终端用户 获得更强大的 AI 应用，能访问个人数据并执行操作

Kimi官方 Prompt 最佳实践指南

本文转载自 Kimi 官方文档入门指南：Prompt 最佳实践一文。

System Prompt最佳实践：system prompt（系统提示）指的是模型在生成文本或响应之前所接收的初始输入或指令，这个提示对于模型的运作至关重要

大模型中 system prompt指的是什么，为什么它很重要？

在大型机器学习模型，尤其是自然语言处理（NLP）模型中，"system prompt"（系统提示）指的是模型在生成文本或响应之前所接收的初始输入或指令。这个提示对于模型的运作至关重要，原因如下：

  1. 指导生成内容：系统提示为模型提供了生成文本的起点，帮助模型理解用户的需求和上下文。
  2. 确定响应类型：提示可以明确告诉模型需要生成哪种类型的响应，比如回答问题、撰写文章、进行翻译等。
  3. 设定上下文：通过包含必要的上下文信息，系统提示可以帮助模型更好地理解问题，并生成更准确的回答。
  4. 影响生成文本的风格和语气：系统提示还可以设定文本的风格和语气，比如正式、非正式、幽默、严肃等。
  5. 控制生成文本的长度：在某些情况下，系统提示可以包含对生成文本长度的要求。
  6. 避免不当内容：通过精心设计系统提示，可以减少模型生成不当或不安全内容的风险。
  7. 提高效率：一个好的系统提示可以提高模型的效率，因为它减少了模型需要猜测的内容，从而加快了生成过程。
  8. 用户交互：在交互式应用中，系统提示是用户与模型之间沟通的桥梁，确保了用户意图的准确传达。

在设计系统提示时，需要考虑到这些因素，以确保模型能够生成高质量、相关且符合预期的输出。

编写清晰的说明

为什么需要向模型输出清晰的说明？

模型无法读懂你的想法，如果输出内容太长，可要求模型简短回复。如果输出内容太简单，可要求模型进行专家级写作。如果你不喜欢输出的格式，请向模型展示你希望看到的格式。模型越少猜测你的需求，你越有可能得到满意的结果。

🦞 OpenClaw：给 AI 装上“爪子”的开源革命 —— 数字贾维斯已到来

OpenClaw 是什么？

OpenClaw（原名 Clawdbot → Moltbot → OpenClaw）是一个开源 AI 代理框架，由奥地利独立开发者 Peter Steinberger 创建。它不是一个大模型，而是一个"给 AI 装上爪子的执行系统"。

简单来说：

  • GPT/Claude 是"大脑"——只能思考和建议
  • OpenClaw 是"手脚"——能真正操作你的电脑执行任务

它运行在你的本地设备（Mac/PC）或私有服务器上，通过 WhatsApp、Telegram、Slack、飞书、钉钉等日常聊天软件与你交互，拥有读写文件、执行终端命令、操控浏览器、访问邮件日历等系统级权限。