知序
返回
保存草稿
发布
H1
H2
H3
1
2
3
Excalidraw 图
AI 写作
AI 优化
目录
输入内容后显示目录
Markdown
# 07 - LangGraph 状态机 Agent > 导读:本文从"AgentExecutor 用得好好的,为什么还要再学一个 LangGraph"这个面试高频疑问出发,把状态图建模的核心三要素(State 状态、Node 节点、Edge 边)、条件分支与路由、检查点与人机协作(Human-in-the-Loop)、断点恢复与错误恢复、以及 LangGraph 与 AgentExecutor 的取舍逐项讲透,最后给出工程实践与踩坑。适合正在准备 AI/Agent 方向面试、或准备把 Agent 从"能跑"做到"可控"的同学。 ## 一、先建立全局认知 ### Q:AgentExecutor 已经能跑 Agent 了,为什么还需要 LangGraph? A:结论先行——**因为 AgentExecutor 是一个固定形态的循环,而真实业务需要的是"可控的流程":条件分支、并行执行、人机协作、断点恢复,这四件事它给不了**。 先看 LangGraph 出现要解决什么问题。AgentExecutor 的本质是一个简单循环: ```text AgentExecutor 的执行形态:思考 → 行动 → 观察 → 重复 ``` 这个循环能覆盖绝大多数"工具调用"场景,但一旦业务要求精细化控制,就会立刻撞墙: - **条件分支**:用户问的是天气就走天气链路、问计算就走计算链路——AgentExecutor 没有"按状态选路径"的一等公民机制。 - **并行执行**:两个互不依赖的子任务想同时跑,循环式执行是串行的。 - **人机协作**:高风险操作(删库、转账)需要在执行前暂停等人工确认,循环式执行没有"暂停点"这个概念。 - **错误恢复**:流程走到一半崩了,想从中间某个点恢复,而不是从头再来。 LangGraph 的解法是**换一种建模方式**:把 Agent 建模成一个**状态图(State Graph)**——每个节点是一个处理步骤,边是状态转移条件。 ```text AgentExecutor:固定的线性循环 LangGraph: 灵活的图结构,支持分支、循环、并行 ``` **为什么"图"是更合适的抽象?** 因为图的表达能力严格更强:线性循环只是图的一个特例(一串单出边的节点)。当你需要分支时,线性结构必须靠 `if/else` 硬编码在循环内部,而图可以把分支**显式声明为条件边**,从而可读、可视化、可干预。这是一个典型的"用数据结构代替控制流"的架构选择。 ### Q:LangGraph 的核心概念有哪几个? A:结论先行——**三个:State(状态)、Node(节点)、Edge(边);其中 Edge 又分普通边与条件边**。 ```text State(状态):在节点之间传递的数据 Node(节点):执行具体操作的函数 Edge(边): 节点之间的连接 普通边:无条件跳转 条件边:根据状态决定跳转到哪个节点 START → 节点A → 条件判断 → 节点B 或 节点C → END ``` 逐个给出定义与"为什么这么设计": - **State(状态)**:在节点之间流动的共享数据。它是整个图的"单一事实来源"。**为什么必须有集中式 State?** 因为节点之间需要传递信息(上一步的观察结果要传给下一步),如果靠全局变量或函数参数层层传递,图的拓扑一变就全乱。集中式 State 让"每个节点读自己需要的、写自己要更新的"成为可能。 - 关键机制是**状态更新语义**:节点返回一个"部分状态"的字典,框架按约定把它合并进总 State。比如节点返回 `{"messages": [response]}`,只更新 messages 这个字段。**合并方式(覆盖还是追加)由 State 的类型注解决定**——这正是下面示例里 `Annotated[list, operator.add]` 的意义。 - **Node(节点)**:一个接收 State、返回状态更新的函数。**为什么把步骤封装成节点?** 因为节点是最小可替换、可测试、可观测的单位——换一个实现不影响图的其余部分,每个节点的输入输出都能被单独记录与验证。 - **Edge(边)**:定义"下一步去哪"。 - **普通边**:无条件跳转,适合"A 做完必然做 B"。 - **条件边**:根据 State 决定跳转到哪个节点,适合"A 做完可能做 B 也可能做 C 或结束"。 ### Q:LangGraph 里的"循环"是怎么表达的? A:结论先行——**用一条从后指前的边(回边)表达循环,例如 `tools → agent`;条件边负责决定"是继续循环还是结束"**。 这是理解 LangGraph 的关键:**循环不是特殊语法,只是图里的一个环**。ReAct 循环在 LangGraph 里被表达为: ```text agent --(有 tool_calls)--> tools --(无条件回边)--> agent agent --(无 tool_calls)--> END ``` `agent` 与 `tools` 之间形成一个环,环的出口由 `agent` 上的条件边决定。**"什么时候停"从"运行时的隐式状态"变成了"图结构里的显式条件"**——这是 LangGraph 可解释性的来源。 ## 二、用 LangGraph 实现 ReAct Agent ### Q:最小可用的 LangGraph ReAct Agent 怎么写? A:结论先行——**五步走:定义 State → 定义节点 → 定义条件边 → 构建图 → 编译运行**。 ```python from langgraph.graph import StateGraph, END from langgraph.prebuilt import ToolNode from langchain_openai import ChatOpenAI from typing import TypedDict, Annotated from langchain_core.messages import BaseMessage import operator # 1. 定义状态 class AgentState(TypedDict): messages: Annotated[list[BaseMessage], operator.add] # 2. 定义节点 llm = ChatOpenAI(model="gpt-4o").bind_tools(tools) def call_model(state: AgentState): response = llm.invoke(state["messages"]) return {"messages": [response]} tool_node = ToolNode(tools) # 3. 定义条件边 def should_continue(state: AgentState): last_message = state["messages"][-1] if last_message.tool_calls: return "tools" # 有工具调用 → 去执行工具 return END # 没有 → 结束 # 4. 构建图 graph = StateGraph(AgentState) graph.add_node("agent", call_model) graph.add_node("tools", tool_node) graph.set_entry_point("agent") graph.add_conditional_edges("agent", should_continue, {"tools": "tools", END: END}) graph.add_edge("tools", "agent") # 工具执行完回到 agent app = graph.compile() # 5. 运行 from langchain_core.messages import HumanMessage result = app.invoke({"messages": [HumanMessage(content="123 * 456 = ?")]}) ``` 逐段解读,这是面试最常被追问的部分: 1. **`class AgentState(TypedDict)`**:用 `TypedDict` 声明状态的"形状"。**为什么用 TypedDict 而不是普通 dict?** 因为它让框架知道有哪些字段,也让 IDE 与类型检查能发现问题;普通 dict 在图上流动时,字段名拼错只会在运行时炸。 2. **`messages: Annotated[list[BaseMessage], operator.add]`**:**这一行是全文最重要的细节**。`Annotated` 的第二参数是"字段更新时的合并函数(reducer)": - 默认行为是**覆盖**:节点返回 `{"messages": [...]}` 会把整个 messages 替换掉; - 加上 `operator.add` 后变成**追加**:节点返回的消息会被**拼接**到既有列表后面。 **为什么要追加而不是覆盖?** 因为对话/工具调用历史必须累积——如果把历史覆盖掉,Agent 下一轮就看不到自己刚才调了什么工具、拿到了什么结果,多步推理直接失效。**这就是 LangGraph 版的"scratchpad"**。 3. **`llm = ChatOpenAI(...).bind_tools(tools)`**:`bind_tools` 让模型具备工具调用能力,模型会在回复里带上结构化的 `tool_calls` 字段。这一步是"决策"的来源。 4. **`ToolNode(tools)`**:LangGraph 预置的工具执行节点,负责真正执行模型请求的工具调用,并把结果作为 `ToolMessage` 写回 messages。**用预置节点而不是自己写**,是因为它已经处理了工具查找、结果包装、异常包装等琐碎逻辑。 5. **`should_continue`**:条件边的路由函数,**只做一件事——看最后一条消息里有没有 `tool_calls`**。有则去 `tools`,没有则结束。 - **为什么用"有没有 tool_calls"而不是"内容里有没有关键词"?** 因为 `tool_calls` 是**结构化字段**,判断绝对可靠;而文本关键词判断脆弱且依赖模型措辞。这是一个通用原则:**路由依据结构化状态,而不是自然语言**(见下文思考题 4)。 6. **`graph.add_edge("tools", "agent")`**:工具执行完无条件回到 agent——**这条边就是循环的回边**。 7. **`app = graph.compile()`**:编译成可执行对象。**为什么要有"编译"这一步?** 因为它是一个校验与优化点:可以在编译期检查图结构(有没有孤立节点、有没有缺失的入口等),把错误提前到启动时暴露,而不是等到线上运行才炸。 8. **`app.invoke({"messages": [HumanMessage(...)]})`**:传入初始 State 启动。传入的 dict 会与 State 定义合并,成为初始状态。 ### Q:把图结构画出来是什么样? A:结论先行——**一个"agent ↔ tools"的环,环的出口在 agent 的条件边上**:  *图:LangGraph 状态机——条件分支与回边* ```text ┌─────────┐ │ START │ └────┬────┘ ▼ ┌─────────┐ ┌───→│ Agent │ │ └────┬────┘ │ │ 条件判断 │ ┌────┴────┐ │ ▼ ▼ │ ┌──────┐ ┌─────┐ │ │Tools │ │ END │ │ └──┬───┘ └─────┘ │ │ └────┘ 工具结果返回给 Agent ``` **能画出这张图本身就是一种能力**:它说明你能把"动态的推理过程"和"静态的拓扑结构"对应起来。这也是 LangGraph 相对 AgentExecutor 的一个实打实的优势——**图是可可视化的**,而 AgentExecutor 的循环只存在于运行时。 > 版本提示:LangGraph 处于活跃演进中,`ToolNode`、`END`、`interrupt_before` 等 API 的位置与推荐用法在不同版本中有差异,**具体以所用版本为准(需结合版本确认)**。  *图:LangGraph 状态机流程* ## 三、条件分支与路由 ### Q:如果入口就要分流(不同意图走不同链路),怎么写? A:结论先行——**在分类节点上用 `add_conditional_edges`,路由函数返回"下一步节点名",并用一个字典把返回值映射到真实节点**。 ```python def route_by_intent(state: AgentState): """根据用户意图路由到不同处理节点""" last_msg = state["messages"][-1].content if "天气" in last_msg: return "weather_agent" elif "计算" in last_msg: return "math_agent" else: return "general_agent" graph.add_conditional_edges( "classifier", route_by_intent, { "weather_agent": "weather_node", "math_agent": "math_node", "general_agent": "general_node", } ) ``` 关键点解读: - **`add_conditional_edges(源节点, 路由函数, 映射字典)`** 三个参数缺一不可:从哪个节点出发、怎么判断、判断结果对应哪个节点。 - **映射字典的价值是"解耦"**:路由函数返回的是**逻辑名**(`weather_agent`),映射字典把它翻译成**图节点名**(`weather_node`)。这样换节点实现时不用改路由函数。 - **必须有兜底分支**:示例里的 `else: return "general_agent"` 就是兜底。**为什么必须有?** 因为路由函数一旦返回一个映射字典里没有的键,图就无法确定下一步,属于结构性错误。**未知或不完整状态必须有显式的默认出口**。 **这个示例有一个刻意的"教学瑕疵"值得点出**:`if "天气" in last_msg` 是**关键词匹配自然语言**,非常脆弱——用户说"今天出门要不要带伞"就匹配不到天气链路。生产上正确做法是: - 用一次 LLM 分类调用(或小型分类器)输出**受限枚举**(如 `weather` / `math` / `general`); - 或者要求上游已经产出结构化字段(如 `intent`),路由只读这个字段。 即:**让路由依据结构化状态和受限枚举,而非模糊自然语言**。 ### Q:为什么条件边的路由函数要尽量"纯"? A:结论先行——**因为路由函数应当只读状态、不做副作用;一旦路由函数里又调模型又改状态,图的执行语义就变得不可预测、不可重放**。 好处有三: - **可重放**:给定同样的 State,路由结果一定相同,便于复现问题。 - **可测试**:路由是纯函数,可以直接单元测试各种 State 输入,不需要起整个图。 - **可观测**:路由结果可以被记录为 trace 的一个事件,便于回答"这次为什么走了这条分支"。 **踩坑**:把"要不要调用某个工具"的判断写得很复杂(既看意图、又看历史、又看时间),最终没人能预测它会走哪条边。正确做法是**把复杂性前置到状态里**(在进入路由前就把 `intent`、`risk_level` 等字段算好),路由只做"读字段 → 返回分支"。 ## 四、人机协作与断点恢复 ### Q:Human-in-the-Loop 在 LangGraph 里怎么实现? A:结论先行——**加 checkpointer(检查点)保存状态,再用 `interrupt_before` 指定"在某节点执行前暂停",等待人工审核后继续**。 ```python from langgraph.checkpoint.memory import MemorySaver # 添加检查点,支持中断和恢复 checkpointer = MemorySaver() app = graph.compile( checkpointer=checkpointer, interrupt_before=["tools"] # 执行工具前暂停,等人确认 ) config = {"configurable": {"thread_id": "session_1"}} # 第一次运行:Agent 决定调用工具,但在执行前暂停 result = app.invoke({"messages": [HumanMessage(content="删除所有过期数据")]}, config) # 此时 Agent 想调用 delete_data 工具,但被暂停了 # 人工审核后,继续执行 # 如果同意: result = app.invoke(None, config) # 继续 # 如果不同意,可以修改状态后继续 ``` 逐步说明这个机制的三个组成部分: 1. **`checkpointer`(检查点)**:**这是人机协作能在技术上成立的前提**。它的作用是每一步执行后把完整 State 快照持久化下来。 - **为什么没有它就不行?** 因为"暂停"意味着进程要结束(人工审核可能需要几分钟到几天)。如果没有把状态持久化,暂停就等于丢失进度,无法恢复。**"能暂停"的本质是"状态被存下来了"**。 - 示例用 `MemorySaver` 是内存版,**进程重启就没了**,只适合演示。生产要用持久化的 checkpointer(数据库/存储后端)。具体可用的类与后端**需结合版本确认**。 2. **`interrupt_before=["tools"]`**:指定"在执行 `tools` 节点之前暂停"。语义是**在动作真正产生副作用之前拦住**。 - **为什么拦在工具执行前,而不是拦在模型决策后?** 因为模型决策本身没有副作用(只是"想调用 delete_data"),真正的破坏发生在工具执行时。拦在副作用之前,才能既看到"模型打算做什么",又避免真的做。 3. **`config={"configurable": {"thread_id": "..."}}`**:**恢复的钥匙**。检查点按 `thread_id` 分组,恢复时必须带同一个 `thread_id`,框架才知道"接着哪个会话继续"。`invoke(None, config)` 中传入 `None` 表示"不给新输入,从检查点继续"。 - **类比**:它就是会话 id / 事务 id,没有它就无法定位状态快照。 **"如果不同意,可以修改状态后继续"这句话的含义**:审核者不只能"批准/拒绝",还能**改写状态**后再放行——例如把"删除所有过期数据"改成"删除 30 天前的数据",或者直接改掉模型生成的工具参数。这是 Human-in-the-Loop 从"审批"升级为"协作"的关键:**人可以在流程中途修正,而不是只能在最后否决**。 ### Q:什么操作应该默认暂停等人确认? A:结论先行——**按操作风险、不可逆性、金额/权限范围和模型置信度设规则;删除、发送、支付、权限变更等高风险操作默认暂停**。 | 判据 | 默认暂停的例子 | 可自动放行的例子 | |---|---|---| | 是否可逆 | 删除数据、发邮件、发消息 | 只读查询、生成草稿 | | 影响范围 | 批量操作、影响其他用户 | 只影响当前用户自己的临时文件 | | 金额/权限 | 支付、授权、权限变更 | 无金额、无权限变动 | | 模型置信度 | 低置信、多义、缺参数 | 高置信且参数完整 | **审批界面设计的一条重要原则**:**不要只问"是否继续"**。要呈现**影响范围、具体参数和可选操作**(例如"将对 12,847 条记录执行 DELETE,条件:created_at < 2024-01-01",并提供"改条件/拒绝/通过")。只问"是否继续"的审批等于把责任推给人却没有给人判断依据,属于伪审批。 ### Q:State 里哪些数据应该被持久化到检查点? A:结论先行——**持久化"恢复执行所必需"的部分:输入、节点结果、任务状态、工具调用标识、审批状态;大型临时数据可存外部只留引用**。 判断标准有两条,必须同时满足: 1. **必要**:没有它就没法继续执行。 2. **安全**:恢复后**既能继续,也不会重复副作用**。 第 2 条是重点,也是最容易踩的坑:假设某节点"调用了支付接口",如果这个动作的结果("已支付,订单号 XXX")没有被记录下来,恢复后可能**重复支付**。所以**副作用的"已完成标识"必须持久化**,并在恢复时先检查"这一步是不是已经做过了"。这就是"恢复后不会重复副作用"的具体含义。 **踩坑**:把整个大模型的原始上下文、超大中间文件全塞进检查点,导致检查点体积爆炸、写入变慢。正确做法是**大对象存外部存储,检查点里只留引用(id/路径)**。 ## 五、LangGraph vs AgentExecutor 与工程实践 ### Q:两者到底怎么选?一张表说清。 A:结论先行——**简单线性工具调用用 AgentExecutor,需要显式状态/分支/并行/检查点/人工中断时用 LangGraph**。 ```text 特性 AgentExecutor LangGraph 控制粒度 粗(固定循环) 细(自定义图) 条件分支 不支持 支持 并行执行 不支持 支持 人机协作 不支持 支持(interrupt) 状态持久化 有限 完整(checkpointer) 错误恢复 有限 支持(从检查点恢复) 可视化 无 支持(图结构) 学习曲线 低 中 ``` 补充三条选型经验: 1. **不要为了用而用**:一个"查天气 → 回答"的 Agent 用 LangGraph 会付出额外的图定义与心智成本,收益接近零。 2. **复杂度从哪来,就用哪套**:复杂度来自"流程控制"(分支/并行/中断)→ LangGraph;复杂度来自"工具多"→ 先把 AgentExecutor 的工具描述写好。 3. **可迁移性**:图结构天然对应"流程图/状态机"这类已有建模经验,团队里做过后端状态机的人上手会很快。 ### Q:LangGraph 的常见踩坑有哪些? A:结论先行——**State 合并语义搞错、路由函数返回未映射的值、忘记 thread_id、把非序列化对象放进 State、并行分支的写入冲突,是五个高频坑**。 1. **State 合并语义搞错**:忘记给列表字段加 `Annotated[..., operator.add]`,导致每次更新把历史**覆盖**掉,Agent 表现为"失忆"、反复调用同一工具。这是 LangGraph 新手第一大坑。 2. **路由函数返回了映射字典里没有的值**:框架无法确定下一步,属于结构性错误。务必保证**路由函数的所有返回值都在映射里**,并设置兜底分支。 3. **忘记带 `thread_id`**:恢复时找不到检查点,等于从头开始;或者多个会话共用同一个 id,导致状态串台。`thread_id` 应该与会话/任务一一对应。 4. **把不可序列化的对象放进 State**:检查点要持久化 State,State 里塞了数据库连接、文件句柄、闭包等,就会写入失败。State 中应只放**可序列化的数据**,资源类对象通过外部获取。 5. **并行分支的写入冲突**:多个并行节点同时写同一个 State 字段时,如果没有定义合并语义(reducer),会产生覆盖或报错。**并行写入的字段必须显式定义合并规则**。 ### Q:可观测性上,LangGraph 有什么天然优势? A:结论先行——**图结构自带"节点级"的可观测粒度:每个节点的输入、输出、耗时、走了哪条边都能被单独记录,问题定位可以精确到"哪个节点、哪一次边跳转"**。 具体到能回答的问题: - **哪一步慢**:每个节点的耗时可以直接统计。 - **哪一步错**:节点抛错还是路由选错,可以区分开。 - **为什么走了这条分支**:记录路由函数的返回值(分支名)。 - **能不能重放**:有了检查点,可以带着同一份 State 重新跑某个节点,验证修复效果。 这是"显式图结构"相对"隐式循环"最实际的工程收益:**调试从"看一长串日志猜"变成"看图的哪一段红了"**。 ### Q:LangGraph 里怎么做并行?有什么约束? A:结论先行——**让多个节点从同一条边出发(或由路由同时指向多个分支),框架会并行执行这些分支,再把结果按合并语义汇总回 State**。 三个必须注意的约束: - **并行写入同一字段必须定义合并规则**:多个分支同时写 `messages` 这类字段时,如果没有 `operator.add` 这样的 reducer,就会出现互相覆盖或直接冲突。**字段级合并语义是并行能成立的前提。** - **只适合"互不依赖"的子任务**:例如同时查三个数据源再汇总、同时调两个独立工具。有依赖的步骤不能并行,否则会读到尚未产生的状态。 - **并行会放大资源峰值**:同一时刻发起的模型调用数变多,需要在限流、延迟与成本之间取舍;如果下游有速率限制,并行可能反而触发大面积限流。 **判断该不该并行的一句话标准**:两个步骤之间**没有数据依赖、也没有顺序约束**,才并行;只要有一步需要另一方的输出,就必须串行。 ### Q:节点执行失败怎么办?重试与错误恢复怎么做? A:结论先行——**先区分"可重试错误"和"不可重试错误",可重试的做有限重试,不可重试的走人工兜底;同时用检查点保证恢复后不重复副作用**。 | 错误类型 | 例子 | 处理策略 | |---|---|---| | 瞬时错误 | 网络抖动、限流、超时 | 有限次数重试 + 退避 | | 可修正错误 | 参数不合法、模型格式跑偏 | 把错误回灌给模型修正后再试 | | 不可恢复错误 | 权限不足、资源不存在、业务规则拒绝 | 不重试,转入人工或明确失败 | **为什么"有限"两个字很重要?** 因为无限重试会把一次偶发故障放大成资源雪崩——大量请求卡在重试队列里,把下游彻底压垮。**重试次数、退避间隔、总超时必须同时设上限。** **重试用在"有副作用的节点"上要格外小心**:一个"下单/发信/删除"节点重试两次可能产生两个副作用。防护手段是**幂等键**或**已完成标识**——重试前先检查"这一步是不是已经成功过",成功过就直接复用结果而不是再执行一次。 **检查点在错误恢复中的角色**:它记录了"已经完成到哪一步",恢复时可以从最近一次成功的检查点继续,而不是从头跑。这既省成本,也避免重放已经产生过的副作用。具体可用的重试配置项与 API 形态随版本演进,**需结合版本确认**。 ### Q:LangGraph 支持流式输出吗?为什么它对 Agent 很重要? A:结论先行——**支持;流式能让用户在长任务中持续看到"Agent 正在做什么",而不是长时间空白后一次性弹出结果**。 原因与边界: - **延迟感知问题**:Agent 任务往往要经历多次模型调用与工具执行,总耗时可能几十秒。不流式输出,用户会以为页面卡死,体验极差。 - **进度要可见**:把"节点开始/结束""正在调用哪个工具""等待人工确认"作为进度事件推给前端,用户才能判断"该等还是该干预"。 - **注意区分两种流**:**"模型 token 流"与"图进度流"是两回事**——前者是逐字吐字,后者是节点级事件。生产上通常两者都需要:进度流用于状态展示,token 流用于回答呈现。 - **脱敏要求**:流式输出很容易把中间思考、工具原始返回、甚至系统提示词暴露给前端。**必须在推流前做过滤与脱敏**,只放行面向用户的内容。 具体的流式接口(订阅方式、事件类型)在不同版本中形态不同,**需结合版本确认**。 ## 小结 - **LangGraph 用图结构建模 Agent,比 AgentExecutor 更灵活**,解决的是"条件分支、并行、人机协作、断点恢复"这类流程控制问题。 - 核心三要素:**State(状态)、Node(节点)、Edge(边)**;State 的字段合并语义(覆盖 vs 追加)由类型注解决定,列表类字段用 `Annotated[list, operator.add]` 才能累积历史。 - **条件边实现分支逻辑**:路由函数只读结构化状态、返回受限枚举,并必须有兜底分支与完整映射;循环用回边表达。 - **检查点(checkpointer)实现人机协作**:`interrupt_before` 在副作用发生前暂停,`thread_id` 定位会话;持久化数据要满足"必要且不重复副作用"。 - **简单场景用 AgentExecutor,复杂场景用 LangGraph**;不要为简单问题引入图复杂度。 - 常见坑:State 合并语义、路由返回值未映射、忘记 thread_id、State 不可序列化、并行写入冲突。 ## 思考题 1. 什么场景下必须用 LangGraph 而不是 AgentExecutor? - **参考答案:**当流程需要显式状态、条件分支、并行节点、检查点恢复或人工中断时,状态图比固定循环更适合。简单的线性工具调用仍可用 AgentExecutor,避免为简单问题增加复杂度。 2. 人机协作中,如何设计好"什么时候暂停让人确认"? - **参考答案:**按操作风险、不可逆性、金额/权限范围和模型置信度设规则;删除、发送、支付、权限变更等高风险操作默认暂停。审批界面要呈现影响范围、参数和可选操作,避免只问"是否继续"。 3. State 中哪些数据应持久化到检查点? - **参考答案:**持久化可恢复执行所需的输入、节点结果、任务状态、工具调用标识和审批状态;不必要的大型临时数据可存外部并保留引用。关键是恢复后既能继续,也不会重复副作用。 4. 条件边的路由函数如何减少错误分支? - **参考答案:**让路由依据结构化状态和受限枚举,而非模糊自然语言;对未知或不完整状态设置显式兜底节点,并记录路由原因以便观测和调试。
预览
发布文章
添加摘要让读者更快了解文章内容
取消
确认发布
AI 写作助手
输入一个主题,AI 将为你生成一篇 Markdown 博客文章
AI 正在写作中...
取消
开始生成
AI 优化助手
描述你的修改需求,AI 将在原文基础上进行补充或微调
AI 正在优化中...
取消
开始优化
画布
从已有图里选
✕
图名
保存后生成 /images/excalidraw/<图名>.svg(只能用字母、数字、短横线、下划线、点)
取消
保存并插入