本文介绍了LangGraph推荐子图的架构设计与实现，重点讲解了用户信息收集节点的功能。推荐子图主要负责根据用户需求查询数据库并推荐合适房源，包含收集需求、查询数据库和返回结果三个核心流程。文章详细说明了子图各节点的职责及与主图的状态共享机制，并通过代码展示了如何实现用户信息收集功能。该节点能够从对话中提取城市、预算等关键信息，结合历史偏好数据，最终更新状态并持久化存储用户需求。整个系统采用结构化

本文介绍了基于LangGraph框架开发的AI智能租房助手项目。项目采用主图+子图架构，实现了房源推荐、预定、查询和常规问答等功能。技术选型上重点展示了LangGraph在状态管理、流程控制和人工干预等方面的优势。文章详细解析了系统架构设计，包括主图和推荐子图的Mermaid流程图，以及模块职责划分。最后提供了环境配置指南，涵盖LangGraph核心配置文件和敏感信息保护建议。该项目充分运用了La

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流式传输LLM Token的高级功能，主要包括细粒度过滤与多模型并发控制。文章首先解释了messages模式的基本原理，通过逐token输出(message_chunk, metadata)元组实现打字机效果。重点演示了两种过滤方式：1）按tags过滤，可区分同一节点中不同模型的输出；2）按节点名称过滤，适用于并行处理场景。最后通过一个新闻处理Agent的实战案例，展示

本文介绍了LangGraph中ToolRuntime的用法，通过一个天气查询助手的案例展示了如何让工具访问运行时上下文。文章首先分析了传统工具开发中的痛点，如参数传递繁琐、缺乏上下文感知等问题，然后详细讲解了ToolRuntime如何提供上下文访问、状态读取、持久化存储和流式事件等能力。通过代码示例演示了如何定义状态和上下文、实现工具函数、绑定工具到模型、构建图结构，并最终流式调用整个流程。Too

摘要：LangGraph 的运行时上下文（Runtime Context）机制为多租户 AI 应用提供了一种优雅的配置信息传递方式。该机制允许将用户ID、语言偏好等静态配置与动态状态分离，避免了状态污染和代码重复。文章通过一个多语言问候助手的完整示例，详细演示了如何定义上下文数据结构、构建状态图、编写节点函数以及调用图形时传入上下文。关键区别在于：运行时上下文适用于单次调用不变的配置，图状态用于节

本文介绍了LangGraph的时间旅行功能，该功能通过检查点机制记录AI工作流的执行状态，实现状态追溯、分支实验和流程修复三大核心能力。文章详细解析了时间旅行的四步操作法：初始执行、查看历史、修改状态和恢复执行，并通过AI笑话生成器的案例演示了具体应用。时间旅行依赖持久化机制，需启用Checkpointer才能使用。这项功能将AI工作流从黑盒变为白盒，支持精准调试和路径优化，显著提升复杂AI任务的

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

上一章我们介绍了线程级持久化（thread_id），它可以让 Agent 在同一会话内记住对话历史，回答 “我刚才问了什么”这类问题但它有一个明显的局限：换一个 thread_id 就全忘了比如：当线程 thread_id = 1111：你说“我是小猫，我喜欢吃芝士汉堡”切换到线程 thread_id = 2222：你问“我喜欢吃什么？Agent 回答：“我不知道”这在真实场景中显然不够用，我们希

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