多模态大语言模型（MLLM）已在多个行业实现规模化落地应用。招商银行、得物、美团等企业通过Qwen2-VL、LLaVA-1.6等模型，在金融、电商、工业等领域取得显著成效：1）招商银行智测平台年节省1.4万工时；2）得物VisionTest实现前端重构自动适配；3）美团UIGuard发现43处多端UI不一致问题；4）西门子MotionEdit技术对动态工业HMI识别准确率达98.7%。这些案例证明

多模态大语言模型（MLLM）已在多个行业实现规模化落地应用。招商银行、得物、美团等企业通过Qwen2-VL、LLaVA-1.6等模型，在金融、电商、工业等领域取得显著成效：1）招商银行智测平台年节省1.4万工时；2）得物VisionTest实现前端重构自动适配；3）美团UIGuard发现43处多端UI不一致问题；4）西门子MotionEdit技术对动态工业HMI识别准确率达98.7%。这些案例证明

默认情况下，AgentWorkflow在运行之间是无状态的。这意味着代理将没有以前运行的任何内存。为了解决工作流具有长期记忆，引入context上下文状态管理

基于图对话案例baseChatNode。继承BaseModel定义结构。

这使编排器能够访问所有工作程序输出，并允许它将它们合成为最终输出。正如你在下面看到的，我们遍历一个部分列表，每个部分都迭代到一个 worker 节点。它允许您动态创建 worker 节点并为每个节点发送特定的输入。每个工作程序都有自己的状态，所有工作程序输出都写入业务流程协调程序图形可访问的。由于 Orchestrator 工作线程工作流很常见，因此 LangGraph。

何时使用此工作流程：当可以并行化已划分的子任务以提高速度时，或者当需要多个视角或尝试以获得更高的置信度结果时，并行化是有效的。对于具有多个考虑因素的复杂任务，当每个考虑因素都由单独的 LLM 调用处理时，LLM 通常会表现得更好，从而可以将注意力集中在每个特定方面。LLM 有时可以同时处理一项任务，并以编程方式聚合其输出。这种工作流（并行化）表现为两个关键变体：分段：将任务分解为并行运行的独立子任