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
# 02 - 状态与 Reducer 设计 > 导读:本文从"面试官问『Agent 效果不稳定,你第一步排查什么』而你答『先看 State 设计』却讲不出所以然"这个高频场景出发,把 State(状态)分层、字段归属的四个必答问题、Reducer(归并函数)选型、覆盖 / 追加 / 消息更新三种语义、并行写入的合并陷阱,以及一套可直接落地的 State 设计建议逐项讲透,最后给出工程实践与踩坑。适合准备 AI 应用 / Agent 方向面试、以及在多节点并行场景下被"数据莫名丢失"折磨过的同学。 ## 一、先建立全局认知 ### Q:为什么说 State 是 Agent 的第一设计对象?故障真的经常出在这里吗? A:结论先行——**是的。Agent 的故障经常不是"模型能力不足",而是状态设计混乱:计划、消息、工具结果、重试计数和审批状态互相覆盖,导致模型拿到的是自相矛盾的上下文**。所以排查 Agent 问题时,"先看状态设计"往往比"换更强的模型"更有效。 这个结论背后的逻辑是:模型是"基于上下文做决策"的组件,它的输入质量决定了输出质量。如果 State 里 `answer` 被两个节点都写过、`retry_count` 的含义一会儿是"重试次数"一会儿是"尝试总数"、`validation_error` 有时是空字符串有时是 `None`,那么**模型看到的就是一份语义漂移的上下文**。此时无论换多强的模型,它都在解一道题面本身有歧义的题。 更工程化地说,State 是节点之间的契约。**契约先定,实现后写**:先定义每个字段的语义、写入方和合并规则,再定义图。这个顺序一旦颠倒(先写节点、发现字段不够再加、加完发现被覆盖再补 reducer),就会得到一张"能跑但没人敢改"的图。 把它上升成面试话术:**State 设计决定了系统的可预测性上限。节点和提示词可以迭代,但字段语义和合并规则一旦定错,所有上层逻辑都要返工。** 这也是为什么本项目反复强调"先定 State 的字段、所有者和 reducer,再写节点和提示词"。 ### Q:State 需要分层吗?一个生产级 Agent 的状态大致会分成哪几层? A:结论先行——**需要。按"生命周期和变更频率"分层,是控制状态复杂度的主要手段;一个常见分层是会话层、任务层、执行层、输出层**。 ```text ConversationState 用户输入、消息摘要、thread 元数据 TaskState plan、当前步骤、重试次数、时间/成本预算 ExecutionState 工具摘要、错误码、幂等键、审批结果 OutputState 最终回答、引用、结构化产物 ``` 四层的划分依据值得讲清楚:**会话层**描述"这次交互从哪来、属于哪个用户/线程",它跨越多次任务、变更最少;**任务层**描述"要做什么、做到哪一步了、还剩多少预算",它是循环退出判定的依据;**执行层**描述"这一步具体调了什么、结果是什么、成没成功",它变更最频繁、字段最多;**输出层**是"最终要交付什么",它是唯一的对外产物。 分层带来两个直接好处:**其一,职责清晰**——看到某个字段就知道该由哪一层、哪个节点写;**其二,可裁剪**——做多 Agent 或子图拆分时,你可以只把会话层的必要摘要和执行层的结构化产物传下去,而不必把全部内部细节暴露出去。 ### Q:每个字段在动手写代码前,必须回答哪四个问题? A:结论先行——**谁写入?谁读取?是否需要恢复?多个节点同时写时怎么合并?** 逐个说清它们的含义与后果: | 问题 | 含义 | 答不上来的后果 | |---|---|---| | 谁写入 | 该字段的唯一 writer 是哪个节点 | 出现"最后一个 writer 说了算"的隐式竞争 | | 谁读取 | 哪些节点 / 提示词依赖它 | 字段无人使用却占空间,或有人用却没人保证被写 | | 是否需要恢复 | 是否必须进 checkpoint 并在重启后还原 | 关键进度丢失,任务从头重跑 | | 怎么合并 | 多写者时用哪个 reducer | 默认覆盖静默丢数据,或并行结果互相覆盖 | 第三问最容易被忽略,但它是"长任务"和"短请求"的分水岭:**如果这个字段只影响本次响应的措辞,丢了无所谓;如果它记录的是"已经扣过款""已经发过通知",丢了就会重复产生副作用**。第四问则是并行场景的必答题,下面会专门展开。 ### Q:State 里能放什么、不能放什么? A:结论先行——**State 中只放"可序列化的业务数据";模型客户端、数据库连接、密钥和 callback(回调)一律放在依赖注入或运行配置中**。 判断标准其实只有一条:**这个值是否需要被写进快照并在另一个进程里还原?** 需要,就必须可序列化;不需要(甚至是不能),就不能放进 State。 ```text ✅ 可以放:用户输入、分类结果、检索摘要、错误码、重试次数、幂等键、审批结论 ❌ 不能放:ChatModel 实例、数据库连接池、HTTP 客户端、线程锁、API Key、未脱敏凭据 ⚠️ 谨慎放:超大原始工具输出(应放摘要或对象存储引用)、完整思维链、原始 prompt ``` 最后一行"谨慎放"是进阶经验:**原始工具输出往往体积极大,无限追加会让 checkpoint 越来越臃肿、流式输出越来越慢、成本越来越高**。正确做法是保存摘要、文档 ID 或对象存储引用。这条建议在讲可观测性时会再次出现——状态膨胀和日志膨胀是同一类问题的两种表现。 ## 二、理解核心机制:Reducer 怎么选 ### Q:Reducer 的本质是什么?为什么它必须是"纯的"? A:结论先行——**Reducer 定义的是"同一个字段被写入多次时如何合并",它的本质是一个二元函数:接收旧值和新值,返回合并后的值。它必须满足确定性与无副作用,否则 checkpoint 重放的结果将不可预测**。 为什么"确定"这么关键?因为 LangGraph 的恢复机制是"从某个 checkpoint 重新执行后续节点"。如果 reducer 内部含随机性、读时钟、访问外部系统或依赖调用次数,那么"第一次跑的结果"和"重放时的结果"就会不同。在重放场景下,这种差异会导致状态不一致,甚至让"以为已经执行过的副作用"再执行一次。 所以 reducer 的验收标准是三条:**确定的**(同样输入永远同样输出)、**无副作用的**(不改外部世界、不改入参)、**可靠的合并**(对同一组更新,合并结果不因执行顺序而剧烈变化)。第三点做不到绝对,但至少要显式约定顺序语义——比如消息必须保序,引用集合去重要稳定。 一个必须标注的版本提示:**reducer 在并行、重放、`Command` 恢复等路径下的精确触发时机与调用次数,会随 LangGraph 版本演进,具体行为需结合版本确认**;但"纯函数 + 明确顺序语义"这条设计原则与版本无关。 ### Q:常见的数据语义,分别该选哪个 reducer? A:结论先行——**按"数据语义"选,而不是按"类型"选:单一最新值用默认覆盖,追加事件用 `operator.add`,对话消息用 `add_messages`,唯一集合用自定义去重,数值汇总用自定义累加或取最大值**。 | 数据语义 | reducer | 示例 | 注意事项 | |---|---|---|---| | 单一最新值 | 默认覆盖 | `answer`、`status`、`retry_count` | 并行写同一字段会产生冲突 | | 追加事件 | `operator.add` | 审计事件、分段结果 | 必须设置大小或时间上限 | | 对话消息 | `add_messages` | `HumanMessage`、`AIMessage` | 支持按消息 ID 更新;不等同普通 list 拼接 | | 唯一集合 | 自定义去重 | URL、文档 ID | 保留顺序还是排序要提前约定 | | 数值汇总 | 自定义累加/取最大值 | token、耗时、风险分数 | 防止重放导致重复计数 | 这张表有三处最值得在面试中展开:**第一,"追加"必须配上限**,否则一张长期运行的会话会把审计事件堆到内存爆炸;**第二,`add_messages` 不是普通拼接**,它带有按消息 ID 更新/替换的语义,直接当 list 用会得到意料之外的结果;**第三,数值汇总要防重复计数**,因为重放可能让累加被执行两次——这类字段通常更适合"由单一节点计算出完整新值再覆盖",而不是让多个节点累加。 ### Q:覆盖、追加、消息更新这三种语义,代码上分别怎么写? A:结论先行——**覆盖是"什么都不声明",追加是 `Annotated[list, operator.add]`,消息是 `Annotated[list[AnyMessage], add_messages]`;三者写在字段类型注解上,而不是写在节点里**。 ```python import operator from typing import Annotated, TypedDict from langchain_core.messages import AnyMessage from langgraph.graph.message import add_messages class ResearchState(TypedDict): # 同 ID 消息更新;没有 ID 时追加 messages: Annotated[list[AnyMessage], add_messages] # 节点返回的列表会与旧列表相加 audit_events: Annotated[list[str], operator.add] query: str answer: str # 默认覆盖 retry_count: int # 默认覆盖,节点返回完整的新数值 ``` ```python def record_search(state: ResearchState) -> dict: return { "audit_events": ["search: completed"], "retry_count": state.get("retry_count", 0) + 1, } ``` 解读两处细节:**其一**,reducer 是通过 `Annotated` 挂在字段类型上的,所以它是"字段级配置",一次声明、所有写入方共享——这正是它比"在节点里手动拼接"更可靠的原因;**其二**,`retry_count` 虽然叫"计数",但它用的是默认覆盖,节点返回的是"算好的完整新值"。这一点下面单独讲。 ### Q:为什么计数器不建议用"追加 reducer"? A:结论先行——**因为"追加"合并的是列表、语义是"把新元素并进旧集合",而计数器需要的是"基于旧值算出新值";把 `retry_count` 配成追加 reducer 却返回整数,会得到类型与语义双重错误的结果**。 一个常见错误就是"希望给 `retry_count` 做追加 reducer,却返回整数"。追加 reducer 期望接收两个**列表**并返回合并后的列表;而你返回的是 `int`,两边对不上。即使某些实现做了容错,语义也是错的——计数器的正确语义是"读出旧值 +1 写回",而不是"并集"。 所以计数器的推荐写法有两条:**一是用默认覆盖,由单一节点负责计算新值**(如上面 `record_search` 的写法);**二是保证它是唯一 writer**,否则两个节点各自 +1、后写的覆盖前写的,最终只 +1,重试预算会被算错。面试里可以这样总结:**"列表用追加、单值用覆盖"是最粗的分界线;而计数器属于单值语义,只是它的新值需要读旧值来算。** ### Q:`add_messages` 和"普通 list 拼接"到底差在哪? A:结论先行——**普通拼接只做"旧列表 + 新列表",而 `add_messages` 带有消息身份语义:它能按消息 ID 去更新或替换已有消息,并处理消息的追加顺序,因此适合对话历史,不适合无身份的字符串集合**。 差别体现在三个场景: ```text 场景 普通 list 拼接 add_messages 新增一条 AI 回复 追加 追加 修改某条已有消息的内容 做不到(只能再加) 按 ID 更新原消息 重放同一批更新 可能重复追加 按 ID 幂等 ``` 最后一行很关键:**因为恢复和重放可能重新产生同一批消息,按 ID 更新的语义让"重放"更接近幂等**;而普通拼接会让同一句话在历史里出现两遍。这也是为什么对话历史一定要用 `add_messages`,而"引用 URL 列表""审计事件"这类无身份数据才用 `operator.add` 或自定义去重。 需要提醒的是,消息对象的具体字段、ID 的生成与冲突规则属于框架内部行为,**细节需结合版本确认**;使用前建议用小样例验证"同 ID 更新"和"无 ID 追加"两种路径。 ## 三、并行写入与合并陷阱 ### Q:两个并行节点写同一个字段会发生什么?为什么默认覆盖是危险的? A:结论先行——**默认覆盖下,两个并行节点对同一字段的更新最终只会保留一个,另一个被静默丢弃;更危险的是"丢弃"不会报错,所以问题只会在上线后以"结果少了一半"的形式暴露**。 原始问题是这样描述的:两个并行检索节点都返回 `{"sources": [...]}`,默认覆盖会丢掉其中一个结果。为此需要为该字段显式定义 reducer: ```python from typing import Annotated, TypedDict def merge_unique(left: list[str], right: list[str]) -> list[str]: """稳定去重:保留先出现的 URL。""" return list(dict.fromkeys([*left, *right])) class SearchState(TypedDict): query: str sources: Annotated[list[str], merge_unique] def search_docs(_: SearchState) -> dict: return {"sources": ["https://docs.example.com/langgraph", "https://example.com/guide"]} def search_blog(_: SearchState) -> dict: return {"sources": ["https://example.com/guide", "https://blog.example.com/post"]} ``` 合并结果稳定为三个 URL。注意 `merge_unique` 的几个设计点:**用 `dict.fromkeys` 去重**,保证"保留先出现的顺序"这一语义;**不修改入参**,而是构造新列表;**可重复执行**,同一组输入多次合并结果一致。 同时必须强调它的适用边界:**该 reducer 适合无重复的引用集合,不适合顺序敏感的聊天消息**,聊天请使用 `add_messages`。因为 `merge_unique` 会打乱/去重消息,而对话历史里"同一条内容出现两次"可能是合法的(比如用户重复问同一句话)。 ### Q:多写者场景下,怎么在"设计阶段"就避免踩坑? A:结论先行——**两条纪律:能设计成"唯一 writer"的就不要设计成"多写者";确实需要多写者时,必须显式声明 reducer 并约定合并顺序**。 具体做法可以拆成三步: 1. **盘点所有会写该字段的节点**。如果超过一个,先问"能不能拆分字段"——比如把 `outcome` 拆成 `validation_error` 和 `tool_error`,各由不同节点独立写,冲突自然消失。 2. **确认并行是否真的必要**。如果两个节点写同一字段且顺序敏感,那么它们本来就不该并行;改成串行或用中间字段暂存再合并,会让语义清晰得多。 3. **为多写者字段选定并测试 reducer**。至少要覆盖"两个节点都写""只有一个写""同一个节点写两次"三种情况,确认合并结果符合预期。 一句话结论:**"最后一个 writer 说了算"是一种隐式契约,凡是不写在类型注解里的合并规则,都属于会被后来者踩中的坑。** ### Q:如果两个节点都要决定同一个业务字段,该怎么重构? A:结论先行——**应该重构职责,而不是依赖"最后一个 writer"**。 这句话看起来简单,但它是很多线上事故的分界线。典型反例:`status` 字段既被校验节点写、又被发布节点写、还被失败处理节点写,最后没人能说清某个时刻 `status` 到底是什么语义。正确做法是:**让"决策"集中到一个路由节点(纯函数,读状态、算结论),让"写状态"集中在少数终态节点**,中间节点只产出自己专属的事实字段。 这样一来,字段的所有者清单就变成可审计的文档:`status` 只由终态节点写、`attempts` 只由重试节点写、`validation_error` 只由校验节点写。**字段与写入者一一对应,是让状态图可预测的最省力手段。** ### Q:并行是"扇出"的,那结果怎么"扇回"(fan-in)? A:结论先行——**扇回有两条路:要么让多个并行节点写"互不相同的字段",要么让它们写"同一个字段但配好 reducer";前者靠字段拆分,后者靠合并语义,二者都比"让下游节点去猜哪个结果才算数"可靠**。 先把两种方式画清楚:  *图:并行分支的两种汇合方式——字段拆分与 reducer* ```text 方式一:字段拆分(推荐) ┌─ search_docs ──▶ {"docs_sources": [...]} ┐ └─ search_blog ──▶ {"blog_sources": [...]} ┘──▶ merge 节点读取两者 方式二:同字段 + reducer ┌─ search_docs ──▶ {"sources": [A, B]} ┐ └─ search_blog ──▶ {"sources": [B, C]} ┘──▶ reducer 合并为 [A, B, C] ``` 方式一的优点是**语义最清晰**:两个来源各占一个字段,谁也没覆盖谁,下游合并节点的逻辑完全可控;代价是字段数量随来源增长。方式二的优点是**结构紧凑**,但必须配套一个正确的 reducer,且这个 reducer 的适用边界要写清楚(比如它只适合"无重复的引用集合")。 **两种方式都可以用,但绝不能用第三种:两个节点都写同一个字段、又没配 reducer,然后指望下游"看情况选一个"。** 这种方式没有契约、无法测试,最终一定会以"结果莫名少了一半"的形式在线上暴露。 ## 四、State 落地设计建议 ### Q:`total=False` 有什么实际意义? A:结论先行——**它表示"所有字段都是可选的",允许图在运行早期存在字段缺失,因此更贴合"状态被逐步填充"的真实执行过程**。 ```python class TicketState(TypedDict, total=False): ticket_id: str # 输入与幂等关联键 request: str # 原始用户文本(注意脱敏) category: str # 路由结果:billing / technical / other attempts: int # 唯一 writer:retry 节点 errors: list[str] # 可用 reducer 追加,必须限制长度 answer: str # 最终产物 ``` 这里的注释本身就是最佳实践模板:每个字段都标注了"角色"和"唯一 writer"。`total=False` 之后,节点读取可选字段时必须用 `get` 或先校验,这一步"多写了一点代码",换来的是"不会因为字段尚未写入而崩溃"。示例中能看到同样的写法:`state.get("attempts", 0)`、`state.get("validation_error")`。 需要标注的版本提示:**`TypedDict` 的可选性是否在运行期被强制校验、校验强度如何,取决于具体实现与版本,行为需结合版本确认**;把它当作"文档与静态检查约定"来用最稳妥,不要指望它替代运行期校验。 ### Q:工具输出很大时,State 里应该存什么? A:结论先行——**存摘要、文档 ID 或对象存储引用,而不是无限追加原始输出**。 理由有三条:**其一,状态会写进 checkpoint**,原始输出越堆越大,恢复时间和存储成本都随之上扬;**其二,状态会进入流式事件和日志**,大对象会拖慢序列化,还容易把敏感内容带出去;**其三,模型并不需要全文**,绝大多数场景下摘要 + 引用 ID 就足够支撑下一步推理,需要细节时再按 ID 回查。 一个可操作的判据:**"这个字段是否会被逐次累加?如果会,就必须有上限。"** `errors` 这类字段就明确要"可用 reducer 追加,必须限制长度"——限制方式可以是保留最近 N 条,也可以是只保留最新的错误码。 ### Q:字段命名和类型选择上有没有约定? A:结论先行——**命名要表达"语义与角色"而不是"容器类型",类型要尽量窄(用枚举 / `Literal` 而不是裸 `str`),并让字段名自带"谁负责写"的暗示**。 看反面例子就明白:叫 `data`、`result`、`info` 的字段,既没说清装什么,也没说清谁写、谁读,最后一定会变成"谁都能往里塞、谁都读不懂"的垃圾桶字段。而 `validation_error`、`retry_count`、`sources`、`evidence_summary` 这类名字,读到就知道它承载什么、大致由谁产生。 类型收窄同样重要。把 `category` 定义成 `Literal["billing", "technical", "other"]`,好处有三个:**其一**,条件边的分支清单和字段取值天然对齐,新增取值时类型检查会提醒你同步更新路由;**其二**,模型做结构化输出时,枚举本身就是约束,能显著降低"模型吐出一个意料之外的分类"的概率;**其三**,写进 checkpoint 后再读出来,语义是稳定的。 最后一条实践建议是**把"唯一 writer"写进注释**。像示例那样在字段后面标注"唯一 writer:retry 节点",成本极低,却能让后来者在改动前就知道边界在哪。**状态设计的可读性,直接决定了这张图能不能被别人安全地改。** ### Q:给一份可以直接照抄的"State 设计检查清单",应该包含哪些条目? A:结论先行——**大致六条,覆盖可序列化、唯一 writer、合并规则、上限、恢复需求与可测试性**。 - 使用 `total=False` 表示图运行早期允许字段缺失;节点读取可选字段时使用 `get` 或先校验。 - 原始工具输出很大时,保存摘要、文档 ID 或对象存储引用,而不是无限追加。 - 让 reducer 保持确定性和无副作用;否则 checkpoint 重放会不可预测。 - 如果两个节点都需要决定同一业务字段,应重构职责,而不是依赖"最后一个 writer"。 - 每个字段都能回答"谁写入、谁读取、是否需要恢复、怎么合并"四个问题。 - State 中只放可序列化业务数据;连接、密钥、客户端、callback 走依赖注入或运行配置。 这六条里,第一条和第三条是"新手最容易违反"的,第四条是"团队协作中最容易出的",第六条是"安全与运维最关心的"。**把这六条做成 PR(合并请求)检查项,能挡掉相当一部分状态相关事故。** ## 五、工程实践与踩坑 ### Q:状态相关的高频坑,有没有一张对照表? A:结论先行——**有,集中在"多写者没 reducer、追加没上限、计数器用错语义、状态塞了不可序列化对象、原始输出无限堆、字段职责重叠"六类**。 | 坑 | 现象 | 正确做法 | |---|---|---| | 多写者字段没声明 reducer | 并行结果被静默覆盖、只留一份 | 显式声明 reducer 并约定合并顺序 | | 追加型字段没有上限 | checkpoint 与内存持续膨胀 | 保留最近 N 条 / 只留关键事件 | | 计数器配成追加语义 | 类型不符、重试预算算错 | 默认覆盖 + 单一 writer 计算新值 | | 状态里放客户端/密钥 | 序列化失败、凭据进快照与日志 | 走依赖注入或运行配置 | | 原始工具输出全量入状态 | 状态臃肿、流式变慢、成本上升 | 存摘要、ID 或对象存储引用 | | 同一字段被多节点写 | 语义漂移、没人说得清当前值 | 收敛到唯一 writer 或集中决策节点 | ### Q:面试官追问"你怎么证明你的 reducer 是对的",怎么答? A:结论先行——**答"用三类用例覆盖 + 三条性质验证":用例覆盖两个写者都写、只有一个写、同一写者写两次;性质验证确定性、无副作用、顺序语义明确**。 具体展开:**先说用例**——用单元测试直接调用 reducer,输入两组值,断言合并结果;如果字段会被并行写,还要在图上跑一次并行路径,确认最终 State 符合预期。**再说性质**——断言同样的输入永远得到同样的输出(确定性),断言入参不被修改(无副作用),并显式写出顺序约定(例如"保留先出现的 URL")。**最后说边界**——说明这个 reducer 不适用于什么(比如"不适用于顺序敏感的聊天消息,聊天用 `add_messages`")。 面试里最有加分的一句是:**"我不会在 reducer 里读时钟、随机数或外部系统,因为这些都会让重放结果不可复现。"** 这句话直接命中了"恢复场景下状态一致性"这个真正的考点。 ### Q:这些字段最终会怎么驱动后面的路由和循环? A:结论先行——**它们会成为条件边判断的全部输入:校验失败、重试次数、预算余量都以 State 字段的形式存在,条件边只读状态、返回有限枚举**。 换句话说,本篇讨论的每个字段,都会在"路由、循环与容错"里被"用起来":`validation_error` 驱动"修复还是发布",`attempts` / `retry_count` 驱动"是否还有预算",`status` 记录最终终态。这也再次印证了那条顺序原则——**先定字段与合并规则,再让条件边消费它们,图的控制流才是可读、可测、可审计的。** ## 小结 - State 是节点之间的唯一契约,也是 Agent 稳定性的第一道防线;故障常常源于状态语义混乱,而非模型能力不足。 - 按生命周期分层(会话 / 任务 / 执行 / 输出)并让每个字段回答"谁写入、谁读取、是否需要恢复、怎么合并",是控复杂度最有效的手段。 - Reducer 按数据语义选:单值覆盖、事件追加、消息 `add_messages`、集合去重、数值汇总;它必须确定、无副作用、顺序语义明确。 - 并行写同一字段是最高危场景:默认覆盖会静默丢数据,必须显式声明 reducer;能设计成唯一 writer 就不要设计成多写者。 - `add_messages` 具备按消息 ID 更新的身份语义,不等于普通列表拼接。 - 大输出存摘要 / ID / 引用,追加型字段设上限,计数器用单值覆盖语义,不可序列化对象一律不放 State。 ## 思考题 1. 如果 `sources` 字段的 reducer 写成 `lambda a, b: b`,并行检索会发生什么?这种写法在什么场景下反而是对的? 2. 为什么 `add_messages` 能"按消息 ID 更新",而 `operator.add` 不能?这个差别在恢复重放时意味着什么? 3. 一个字段同时被三个节点写,你会优先选择"给它加 reducer"还是"拆分字段"?请说明你的判断依据。 4. 如果一个 reducer 里调用了 `time.time()` 来决定保留哪条数据,会引发什么后果?请从 checkpoint 重放的角度解释。 5. 请为"客服工单"设计一份 State:列出字段、唯一 writer、是否需要恢复、以及各自的 reducer 选择。
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