摘要： LangGraph是专为构建复杂AI工作流设计的图编排框架，采用有向循环图（DCG）结构实现动态流程控制。其核心特性包括： 状态管理：支持TypedDict/Pydantic定义共享状态，内置消息归约器； 节点编排：支持同步/异步节点、条件分支、循环迭代和人工中断； 生产级功能：集成Redis检查点持久化、错误重试策略和流式输出； 多Agent模式：原生支持ReAct、Plan-and-E

LangChain 是一个开源的代理工程平台，提供预构建的代理架构和与任何模型 / 工具的集成，使开发者能够快速构建能够适应生态系统变化的 AI 代理。截至 2026 年 5 月，最新稳定版本为v1.1.0，于 2025 年 12 月发布，标志着框架进入成熟稳定阶段，承诺直到 2.0 版本前不会有破坏性变更LangChain。

LangChain与LangGraph技术对比分析 摘要： LangChain和LangGraph是大模型应用开发中的两大核心技术框架，各自具有独特优势和应用场景。LangChain作为组件化框架，擅长线性任务处理，适合快速搭建RAG问答、文本处理等标准化应用；而LangGraph采用图结构设计，支持复杂状态管理和循环控制，更适用于自主Agent系统、多智能体协作等需要迭代和状态持久化的场景。两者

LLM Agent（大语言模型驱动的智能体），是以大语言模型为核心大脑，具备自主感知、记忆存储、任务规划、工具调用、环境交互、反思迭代能力，能在最小人工干预下，自主完成复杂目标任务的智能实体。对比对象核心差异原生大语言模型（LLM）传统 LLM 是被动、单次、无状态、无行动能力的文本生成器；Agent 是主动、闭环、有状态、可交互的决策实体，能自主发起动作、持续迭代直至完成目标传统规则型智能体传统

LLM：提供基础语言能力的"大脑"Prompt：引导LLM输出的"指令"Agent：整合资源完成任务的"执行者"Skills：领域专长的"方法论资产"AGI：理论中的"通用智能"（当前尚未实现）通过Skills和MCP扩展LLM的能力边界，使Agent能够从"纸上谈兵"走向"动手做事"，最终构建出真正能解决实际问题的AI应用体系。理解这些概念的本质区别与协同关系，是把握AI技术发展趋势和构建有效A

前面我们已经讲解了etcd的基本知识， 如果是新手可以先看这个文档，在来看本文档。