在代码中，变量通过简单的赋值语句定义，例如在Python中：x = 10 或 name = “zhangsan”，这表示创建一个名为x的变量存储整数10，或名为name的变量存储字符串。和C/C++ / Java 等语言不同, Python 的小数只有 float 一种类型, 没有 double 类型. 但是实际上，Python 的 float 就相当于 C/C++ / Java 的 double

编程中, 经常需要使用变量, 来保存/表示数据.如果代码中需要表示的数据个数比较少, 我们直接创建多个变量即可.但是有的时候, 代码中需要表示的数据特别多, 甚至也不知道要表示多少个数据. 这个时候, 就需要用到 列表.列表是一种让程序员在代码中批量表示/保存数据的方式字典是Python中存储键值对的可变容器，通过唯一键快速查找对应的值。键(key) 和 值(value) 进行一个一对一的映射,

LangGraph 持久化机制详解：让 AI Agent 拥有“记忆”在构建 AI Agent 时，我们往往希望它能“记住”之前说过的话、做过的操作比如一个多轮对话助手，如果每次调用都像第一次见面，体验会非常糟糕简单来说：你可以把它理解为：给 Agent 装上一个“大脑外挂”——它不会因为关机就失忆场景一：跨会话的记忆如果没有持久化，助手根本不记得你的病史，只能给出通用建议，甚至可能给出不良药物有

本文介绍了LangGraph持久化中的人机交互（HITL）机制，重点讲解了四种典型应用模式：1)批准/拒绝模式，用于高风险操作审批；2)查看编辑状态模式，允许人工修改中间结果；3)工具中断模式，在工具执行前请求确认；4)输入验证模式，确保用户输入合规。通过interrupt()和Command API，开发者可以在AI工作流中灵活嵌入人工干预节点，实现关键操作确认、内容审核和输入校验等功能。文章提

一、从整体看 LangChain二、核心组件详解（一）LLM（大语言模型）—— 核心生成器（二）Prompt（提示词）—— 输入控制器（三）Runnable（核心接口）—— 组件连接器（四）Chain（流程控制器）—— 多步执行者（五）Memory（记忆组件）—— 上下文保存器（六）OutputParser（输出解析器）—— 结果格式化工具三、组件间的关系四、小结本文主要整理 LangChain

是正在拍摄一部电影——有场记板（记录状态）、有剧本分镜（多步骤）、导演随时能喊“卡！简单来说，LangGraph 是⼀个专⻔⽤于构建和管理 Agent Server 的底层框架。这种单链路、短记忆的模式，就像你雇了一个智商很高但患有严重失忆症且只能单线程工作的实习生。于是，Agent Server 这种“长期运行的 AI 系统”成为必然。一个可以“长期运行 + 多步骤执行 + 可交互”的 AI 系

不同目的地 → 分拣路径不同 不同优先级 → 运输方式不同（陆运 / 空运） 状态需要持续更新 → 且保留完整历史。.compile() 是 LangGraph 内部的 StateGraph 类提供的方法。解释：LangGraph 专用指令，add = 追加模式。如何用一种“流程化 + 可扩展”的方式来建模这个系统？根据状态动态决定流程走向是 "加急"还是"标准"配送。表示每个物流环节（揽收 /

LLM 判断：模型发现不知道实时天气，返回 tool_calls = [search]这就是 Agent 的核心能力：让模型学会“什么时候自己回答，什么时候去查资料”。将结果包装成 ToolMessage，因为下一步大模型需要“读懂”工具返回的结果。如果模型返回的消息包含 tool_calls，则下一步进入 tool_node。关键点：绑定工具，让模型具备“可以调用 search 工具”的能力。因

在现代人工智能应用中，问答系统已经成为一个非常重要的方向。传统的生成式模型虽然具备一定的知识能力，但其知识来源受限于训练数据，存在“过时”或“幻觉”的问题为了解决这一问题，检索增强生成（Retrieval-Augmented Generation，RAG）技术逐渐成为主流方案。通过将“检索”与“生成”结合，模型可以在回答问题时动态访问外部知识库，从而显著提升答案的准确性与可靠性。

我应该怎么设计节点？流程顺序怎么定？什么时候分步骤？什么时候合并？其实，这些问题都有套路可循提示链（Prompt Chain） 就是最常见、也最容易上手的一种设计模式一句话解释提示链： 把一个复杂任务拆成 N 个小步骤，让 LLM 一个接一个完成，像工厂流水线一样这篇文章不会讲太虚的概念，而是直接从一个写文章的案例出发，一步步拆解代码和思路看完你就能直接套用到自己的项目里我们要区分三样东西：输入（