如果把普通大模型（LLM）的输出比作“一张便签”——只写着最终答案，那么LangGraph的输出更像“一份带流程的工作交接单”：不仅要写清当前任务的结果，还得告诉下一个环节“该谁接手、做什么”。为什么会这样？因为LangGraph本质是个“团队协作框架”：整个工作流由多个“节点”（就像团队里的不同角色，比如“信息收集员”“分析员”“决策者”）组成，节点之间靠“图结构”（类似于团队分工流程图）连接，

如果把普通大模型（LLM）的输出比作“一张便签”——只写着最终答案，那么LangGraph的输出更像“一份带流程的工作交接单”：不仅要写清当前任务的结果，还得告诉下一个环节“该谁接手、做什么”。为什么会这样？因为LangGraph本质是个“团队协作框架”：整个工作流由多个“节点”（就像团队里的不同角色，比如“信息收集员”“分析员”“决策者”）组成，节点之间靠“图结构”（类似于团队分工流程图）连接，

在LangGraph构建的智能体中，信息传递的“State（状态）”就像智能体的随身档案袋——所有和交互相关的信息，从用户刚发的提问、工具返回的天气数据，到智能体自己的思考记录，都会汇总存放在这里。但这些信息刚产生时既杂又散，直接堆在档案袋里会一团乱，智能体想调用时根本无从下手。这时就需要Map和Reduce这两位高效的“信息管家”登场，它们一个负责分类收纳，一个负责整理汇总，把杂乱的信息打理得井

前面我们完成了模型提示词的设置，通过简单的链式组合方式，就能让大模型调整自身认知逻辑，明确角色定位以适配新的应用场景。而LangGraph的核心价值不止于此，它更擅长将“大模型的决策能力”与“外部工具的执行能力”深度融合，通过流程化编排实现更复杂的智能交互。图3-4LangGraph中的图LangGraph作为LangChain生态中用于构建状态机和工作流的框架，其核心优势在于“结构化的决策流转”

《Python数据分析与挖掘实战》​在当今大数据驱动的时代，要想从事机器学习、人工智能、数据挖掘等前沿技术，离不开数据跟踪与分析，通过NumPy、Pandas等进行数据科学计算，通过Seaborn、Matplotlib等进行数据可视化展示，从实战的角度出发，让你在数据科学领域迈出重要的一步，开启数据分析与挖掘的开发之旅。目前数据分析与挖掘行业火爆，人才供不应求。机器学习、自然语言处理、数据可视化、

前面我们完成了模型提示词的设置，通过简单的链式组合方式，就能让大模型调整自身认知逻辑，明确角色定位以适配新的应用场景。而LangGraph的核心价值不止于此，它更擅长将“大模型的决策能力”与“外部工具的执行能力”深度融合，通过流程化编排实现更复杂的智能交互。图3-4LangGraph中的图LangGraph作为LangChain生态中用于构建状态机和工作流的框架，其核心优势在于“结构化的决策流转”

（3）知识库搜索引用合并：当工作流中存在多个“知识库搜索”节点时（例如，同时搜索了“产品库”和“FAQ库”），此节点可以将它们的搜索结果合并成一个统一的引用列表，方便后续节点统一处理。它们就像一块块功能各异的智能乐高积木，有的负责对话，有的负责搜索，有的负责判断，通过将它们拼接在一起，就能搭建出强大的应用。调用底层的大语言模型（如 GPT、文心一言等），根据输入的上下文（如用户问题、知识库片段、历

LangGraph是LangChain生态系统中的多智能体框架，它允许创建多个智能体组成的网络，这些智能体可以相互协作完成复杂任务。LangGraph中的图（Graph）可定义工作流，通过添加节点（智能体）和边（工作流转移）来构建，例如定义Supervisor、Researcher、Emailer等节点，并添加边以协调任务执行。在LangGraph中，“图”表示智能体网络的结构，由节点（智能体/工

扣子官方提供了一个免费生成PPT的工作流，工作流及其各个节点的配置如下。

在LangGraph中，节点通常是Python函数（同步或异步），其中第一个位置参数是state，第二个位置参数（可选）是config，包含可选的可配置参数（例如thread_id）。START Node是一个特殊节点，表示将用户输入发送到图的节点。引用此节点的主要目的是确定哪些节点应首先被调用。节点是图中的核心执行单元，每个节点具有唯一名称，且可以是一个函数、可运行对象（Runnable）或La