AI Agent从无到有62: LangGraph 持久化与记忆系统——让智能体拥有“过目不忘”的能力

手把手构建AI阅读器:用LangGraph+Tauri+Expo实战Agent开发 AI Agent并非简单调用大模型,而是围绕状态驱动、可控决策流构建的工程系统。其核心原理在于将任务分解为可观察、可中断、可回溯的状态节点,并通过条件边实现多跳推理与错误恢复。LangGraph以TypeScript原生支持重构了传统链式范式,赋予开发者对执行流的精细控制力;Tauri与Expo则分别在桌面端和移动端提供轻量、安全、可观测的本地运行环境,显著降低PDF解析、向量检索等文档智能场景的工程门槛。本文聚焦‘阅读器’这一边界清晰、反馈即时的典型任务,详解如何从零搭建具备状态管理、跨端渲染与本地能力调 阅读详情

纲要

  • 持久化层与记忆的关系
    • 持久化层:基于 Checkpoint 的状态保存与恢复机制
    • 记忆:构建在持久化层之上的认知功能
  • 核心组件
    • Checkpoint:图执行状态的快照
    • MemorySaver / InMemorySaver:内存级短期记忆
    • InMemoryStore:跨线程共享存储
    • MongoDBSaver:基于 MongoDB 的持久化检查点
  • 线程隔离与跨线程调用
    • 基于 thread_id 的会话隔离
    • 基于 Store 的跨线程数据共享
  • 短期记忆的实现
    • 使用 MemorySaver 编译 StateGraph
    • 多轮对话中的上下文保持
  • 长期记忆的实现
    • 使用 MongoDBSaver 持久化检查点
    • 进程重启后恢复对话状态
  • 记忆优化策略
    • 消息数量阈值触发摘要
    • 使用 RemoveMessage 删除旧消息
  • 总结
  • 参考文档
  • 修正说明

持久化层与记忆的关系

在构建多轮对话智能体时,最基础的需求是让智能体“记住”之前说过的话。LangGraph 通过持久化层提供这一能力[reference:0]。持久化层是一种保存和恢复图执行状态的机制,它基于 Checkpoint 记录每一步的状态快照,包括对话消息、工具调用结果等[reference:1]。

记忆则是构建在持久化层之上的认知功能,定义了我们如何组织、检索和使用这些被存储的信息。可以这样理解:持久化层解决“数据存在哪里”的问题,记忆解决“如何使用数据”的问题。

LangGraph 提供两种互补的持久化系统[reference:2]:

系统作用作用域记忆类型
Checkpointer持久化图状态快照单个线程短期、线程级记忆
Store存储应用定义的键值数据跨线程长期、跨线程记忆

LangGraph 支持多种持久化后端[reference:3][reference:4]:

后端类型适用场景
MemorySaver / InMemorySaver内存开发调试、短期会话[reference:5]
InMemoryStore内存跨线程共享、用户维度记忆[reference:6]
MongoDBSaverMongoDB生产环境、长期持久化[reference:7]
PostgresSaverPostgreSQL生产环境、高并发[reference:8]

注意:MemorySaver 和 InMemorySaver 将检查点存储在 RAM 中,进程重启后所有检查点将丢失[reference:9]。生产环境应使用 MongoDBSaver、PostgresSaver 或 SqliteSaver 等持久化方案[reference:10]。

线程隔离与跨线程调用

LangGraph 的持久化层天然支持线程隔离——通过不同的 thread_id,每个对话会话拥有独立的状态空间[reference:11]。但有时我们需要在不同会话之间共享某些用户信息(例如用户档案),这可以通过 Store 接口实现跨线程数据共享[reference:12]。

InMemoryStore (namespace: user_001) 线程2 (thread_id=2) 线程1 (thread_id=1) InMemoryStore (namespace: user_001) 线程2 (thread_id=2) 线程1 (thread_id=1) 存储记忆 (namespace, "name", "Tommy") 查询用户信息 (namespace, "name") 返回 "Tommy" 生成个性化回复

Store 中的数据通过 namespace 进行组织,典型格式为 (user_id, "memories")[reference:13]。InMemoryStore 适合开发和测试,生产环境应使用 PostgresStore、MongoDBStore 或 RedisStore 等持久化存储[reference:14]。

短期记忆:带记忆的对话机器人

以下示例使用 MemorySaver 激活短期记忆,同一 thread_id 下可记住上下文。

环境准备

pip install langgraph langchain-openai python-dotenv

完整代码

import os
from dotenv import load_dotenv
from langgraph.graph import StateGraph, END
from langgraph.checkpoint.memory import MemorySaver
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, AIMessage

load_dotenv()

# 1. 定义 State
class ChatState(dict):
    messages: list

# 2. 创建模型
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

# 3. 定义节点
def chat_node(state: ChatState) -> dict:
    response = llm.invoke(state["messages"])
    return {"messages": [response]}

# 4. 构建图并激活 MemorySaver
builder = StateGraph(ChatState)
builder.add_node("chat", chat_node)
builder.set_entry_point("chat")
builder.add_edge("chat", END)

memory = MemorySaver()
app = builder.compile(checkpointer=memory)

# 5. 多轮对话测试
config = {"configurable": {"thread_id": "session-001"}}

# 第一轮
input1 = {"messages": [HumanMessage(content="我叫 Tommy")]}
for event in app.stream(input1, config):
    for key, value in event.items():
        if "messages" in value and value["messages"]:
            last_msg = value["messages"][-1]
            print(f"助手: {last_msg.content}")

# 第二轮
input2 = {"messages": [HumanMessage(content="我叫什么名字?")]}
for event in app.stream(input2, config):
    for key, value in event.items():
        if "messages" in value and value["messages"]:
            last_msg = value["messages"][-1]
            print(f"助手: {last_msg.content}")

运行后,第二轮会正确回答“Tommy”。如果修改 thread_id,则会丢失记忆。

长期记忆:使用 MongoDB 持久化

将 MemorySaver 替换为 MongoDBSaver,检查点即可持久化到 MongoDB,重启不丢失[reference:15][reference:16]。

安装 MongoDB 驱动

pip install langgraph-checkpoint-mongodb pymongo

启动 MongoDB(Docker)

docker run -d -p 27017:27017 --name mongodb mongo:7

完整代码

import os
from dotenv import load_dotenv
from langgraph.graph import StateGraph, END
from langgraph.checkpoint.mongodb import MongoDBSaver
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
from pymongo import MongoClient

load_dotenv()

# 初始化模型
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

# 定义 State 和节点
class ChatState(dict):
    messages: list

def chat_node(state: ChatState) -> dict:
    response = llm.invoke(state["messages"])
    return {"messages": [response]}

# 构建图
builder = StateGraph(ChatState)
builder.add_node("chat", chat_node)
builder.set_entry_point("chat")
builder.add_edge("chat", END)

# 连接 MongoDB 并创建 MongoDBSaver
client = MongoClient("mongodb://localhost:27017/")
checkpointer = MongoDBSaver(client, db_name="langgraph_checkpoints")
app = builder.compile(checkpointer=checkpointer)

# 多轮对话
config = {"configurable": {"thread_id": "persistent-001"}}
input1 = {"messages": [HumanMessage(content="记住,我最喜欢的语言是 Python")]}
for event in app.stream(input1, config):
    for key, value in event.items():
        if "messages" in value and value["messages"]:
            print("助手:", value["messages"][-1].content)

# 即使重启程序,用同样的 thread_id 仍能回忆
input2 = {"messages": [HumanMessage(content="我最喜欢的语言是什么?")]}
for event in app.stream(input2, config):
    for key, value in event.items():
        if "messages" in value and value["messages"]:
            print("助手:", value["messages"][-1].content)

注意:MongoDBSaver 需要传入 MongoClient 实例和数据库名称[reference:17][reference:18]。db_name 默认为 'checkpointing_db'[reference:19]。

再次运行程序并传入相同的 thread_id,智能体仍能回答“Python”。

记忆优化:对话摘要压缩上下文

直接保存所有历史消息会导致上下文窗口迅速膨胀。一种成熟方案是对话摘要:当消息数量超过阈值时,自动将旧消息压缩为一段摘要,同时删除原始消息,在保持关键信息的同时控制 token 开销。

实现思路

在 State 中增加 summary 字段,编写一个 summarize 节点,当消息列表长度超过设定值(如 6 条)时触发。该节点调用 LLM 生成摘要,并调用 RemoveMessage 删除旧消息。

from langgraph.graph import StateGraph, END, MessagesState
from langgraph.checkpoint.memory import MemorySaver
from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage, RemoveMessage

# 自定义 State,增加 summary 字段
class State(MessagesState):
    summary: str = ""

llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

def call_model(state: State) -> dict:
    messages = state["messages"]
    # 如果有摘要,添加到系统提示中
    if state.get("summary"):
        summary_msg = SystemMessage(content="历史对话摘要:" + state["summary"])
        messages = [summary_msg] + messages
    response = llm.invoke(messages)
    return {"messages": [response]}

def summarize_conversation(state: State) -> dict:
    # 仅当消息超过 6 条时执行总结
    if len(state["messages"]) <= 6:
        return {}
    # 提取除最后两条外的所有消息作为总结素材
    old_messages = state["messages"][:-2]
    summary_prompt = "请用一段话总结以下对话的关键信息:" + " ".join([m.content for m in old_messages])
    summary = llm.invoke([HumanMessage(content=summary_prompt)]).content
    # 删除旧消息,保留最后两条
    delete_messages = [RemoveMessage(id=m.id) for m in old_messages]
    return {"summary": summary, "messages": delete_messages}

def should_summarize(state: State) -> str:
    return "summarize" if len(state["messages"]) > 6 else "__end__"

# 构建图
builder = StateGraph(State)
builder.add_node("model", call_model)
builder.add_node("summarize", summarize_conversation)
builder.set_entry_point("model")
builder.add_conditional_edges("model", should_summarize)
builder.add_edge("summarize", "model")

memory = MemorySaver()
app = builder.compile(checkpointer=memory)

# 多轮对话测试
config = {"configurable": {"thread_id": "summary-test"}}
queries = [
    "我叫张三",
    "我喜欢编程",
    "我在学习 LangGraph",
    "请记住这些信息",
]
for q in queries:
    input_data = {"messages": [HumanMessage(content=q)]}
    for event in app.stream(input_data, config):
        for key, value in event.items():
            if "messages" in value and value["messages"]:
                last_msg = value["messages"][-1]
                print(f"助手: {last_msg.content}")

# 当消息数超过阈值后,再次提问仍能回忆历史
input_data = {"messages": [HumanMessage(content="我叫什么名字?")]}
for event in app.stream(input_data, config):
    for key, value in event.items():
        if "messages" in value and value["messages"]:
            last_msg = value["messages"][-1]
            print(f"助手: {last_msg.content}")

运行后,当对话超过 6 条时,旧消息会被压缩成摘要,窗口大小始终可控,但智能体依然能回答姓名等历史信息。

参考文档

官方文档

参考链接

总结

LangGraph 的持久化层为智能体提供了稳固的记忆基础。通过 Checkpointer 实现线程级短期记忆,通过 Store 实现跨线程长期记忆[reference:20]。组合使用 MemorySaver、MongoDBSaver 和 InMemoryStore,可以灵活实现线程隔离、跨线程共享以及长期持久化。

对话摘要等优化策略则让记忆系统在有限窗口下仍能保持高效的上下文利用。这些技术是构建复杂、可靠的多智能体应用的必备技能。

LangGraph多智能体系统实战:从零构建AI运维助手 多智能体系统是人工智能领域的重要分支,通过将复杂任务分解给多个专用智能体协同完成,显著提升了系统的鲁棒性和问题解决能力。其核心原理在于模拟人类团队协作模式,每个智能体专注于特定领域,通过状态管理和消息传递实现高效协同。这种架构的技术价值在于能够处理单一模型难以胜任的复杂、多步骤任务,在实际应用中广泛用于智能客服、运维监控、数据分析等场景。LangGraph作为专为构建有状态AI工作流而设计的开源框架,天然支持多智能体协作,通过图结构建模AI行为,实现节点间的状态流动和流程控制。本文以智能运维助手为例,详细展 阅读详情

相关推荐

AI Agent+RAG+LangGraph重构项目管理实战

项目管理正从经验驱动迈向数据与智能协同驱动。AI Agent作为具备角色、记忆与工具调用能力的数字协作者,结合RAG(检索增强生成)实现企业知识实时注入,依托LangGraph构建可观察、可调试、可中断的动态工作流,显著降低大模型幻觉风险与流程僵化问题。该技术组合不仅提升任务拆解准确率、优先级决策可信度和跨角色协作效率,更在金融、医疗等强合规场景中支撑SLA保障与风险预判。本文聚焦AI Agent、RAG、LangGraph三大核心热词,详解五类专业化Agent在真实生产环境中的职责划分、数据闭环设计与工程

395

邓立国LangGraph开发必读书《LangGraph开发AI Agent实践》全文试读~

其核心设计思路是通过可视化的节点(智能体功能单元)与边(任务流转逻辑)组合,实现智能体的状态管控、分支决策及循环执行,完美适配智能体开发中推理链优化、复杂任务拆解、多智能体协同等核心场景。与传统的智能体开发框架相比,LangGraph的核心竞争力体现在动态工作流编排、状态持久化存储及多智能体协作效率上,其关键技术组件包含节点(功能落地载体)、边(逻辑控制核心)、状态(数据缓存中心)与条件分支(智能决策机制)。12.5 智能体核心模块(LangGraph定义) 323。

夏天又到了的专栏 1041

LangGraph核心原理:状态可追溯的智能体工作流设计

智能体(Agent)作为大模型落地的关键范式,正从单次问答向多步协同决策演进。其本质是具备状态记忆、条件分支与执行中断能力的状态机系统。LangGraph通过有向图结构建模认知单元与决策路径,以强类型State实现跨节点上下文累积,支撑人类介入、故障降级与动态编排等生产级需求。相比函数式管道(如LangChain),它更贴近真实业务中的心智建模逻辑——节点即思考单元,边即判断依据,状态即思维快照。当前高频搜索场景包括‘langchain和langgraph区别’‘大模型开发工作流’,背后共性诉求是构建可调试

weixin_34295316的博客 170

【图书介绍】《AI Agent智能体与MCP开发实践:基于Qwen3大模型》

随着人工智能技术的蓬勃发展,大语言模型与智能体技术正引领着新一轮的技术革新。本书聚焦于智能体技术前沿领域,系统阐述AI Agent智能体开发的技术栈及其示例,并剖析5个大型智能体项目案例,帮助读者深入掌握智能体开发方法。本书配套示例源码、PPT课件、配图PDF文件、读者微信技术交流群,所有代码经过测试,均能正确运行。

夏天又到了的专栏 1324

LangGraph多智能体讨论面板:构建可解释的AI专家协作系统

多智能体系统是实现复杂AI协作的关键范式,其核心在于角色化分工、状态可控的流程编排与批判性推理机制。相比单Agent或简单链式调用,基于图结构的协同框架(如LangGraph)能显式建模角色间的数据流与控制流,支持动态路由、状态快照与冲突消解,显著提升推理可追溯性与决策鲁棒性。该技术已广泛应用于医学综述、金融风控、教育诊断等需高可信度认知协作的场景,尤其适合需要证据溯源、分歧审计与共识收敛的LLM应用开发。本文详解如何利用LangGraph构建具备研究员、专家、批判者与主持人的四角色讨论面板。

weixin_34186128的博客 436

AI Agent架构解析与电商客服实战指南

AI Agent作为新一代智能系统,通过感知、规划、执行三层架构实现自主决策。其核心技术在于多模态感知、ReAct推理框架和工具调用能力,相比传统聊天机器人具有主动解决问题优势。在电商客服等场景中,AI Agent能自动处理退货、查询等任务,效率可达人工4-6倍。典型实现采用LangChain框架配合GPT-4 Turbo,结合PostgreSQL实现记忆功能。开发时需特别注意API稳定性、幻觉抑制等工程问题,通过多智能体协作可进一步提升系统可靠性。当前AI Agent已广泛应用于客服自动化、舆情监控等领域

weixin_30572613的博客 455

【图书预告】《LangGraph开发AI Agent实践》

本书共分12章,内容包括LangGraph基础技术、开发环境搭建、构建带工具与记忆功能的聊天机器人、构建自定义RAG检索Agent、构建智能体工作流、集成外部工具与API、状态管理与持久化、智能体(Agent)集成、构建客户支持聊天机器人、构建旅行规划智能体、构建电商客服退款处理智能体、构建股票趋势预测智能分析系统。实战篇聚焦四大工业级场景(客服、旅行规划、电商退款、股票趋势预测),覆盖完整智能体开发闭环。(4)聚焦四大工业级场景(客服、旅行规划、电商退款、股票趋势预测),覆盖完整智能体开发闭环。

夏天又到了的专栏 611

如何用GPT-4o等现有模型构建真正自主的AI智能体

自主智能体(Autonomous Agent)是大语言模型从对话工具迈向业务闭环的关键范式,其核心在于任务分解、工具调用、状态追踪与异常处理四大能力的系统性整合。当前技术水位下,GPT-4o、Claude 3.5、Llama 3.1等SOTA模型已具备扎实的原子能力,但真实落地依赖工程化架构——如LangGraph状态机保障可审计性,混合规划机制提升任务可靠性,多层Prompt设计强化意图理解与安全防御。该范式正广泛应用于金融尽调、工业诊断、跨境法律等复杂场景,解决‘模型能回答、却无法推动流程’的核心瓶颈。

SAN_YUN的专栏 1013

LangChain与LangGraph:AI工程化开发技术栈解析

在AI工程化领域,模块化开发框架和智能体协作技术正成为提升开发效率的关键。LangChain作为基础框架,通过标准化的LLM调用接口和可组合的链式操作,实现了AI应用的快速搭建。其进阶版本LangGraph引入图计算范式,支持复杂工作流编排和多智能体协作,特别适合处理需要状态管理和循环控制的任务场景。结合MCP协议的标准化通信能力和Claude Code的上下文感知代码生成,这套技术栈能有效应对文档辅助编码、业务流程自动化等典型AI工程挑战。实际应用中,LangGraph与MCP服务的协同使用可提升30%以

weixin_30945039的博客 506

LangGraph多智能体系统工程实践:状态驱动的网页数据采集架构

多智能体系统(Multi-Agent System)是构建复杂AI应用的核心范式,其本质是通过显式编排智能体间的协作逻辑来替代不可控的大模型推理。LangGraph作为状态驱动的有向图执行引擎,解决了传统链式调用在分支控制、错误恢复与状态共享上的根本缺陷;Function Call则提供了确定性工具调用能力,规避大模型幻觉与参数抖动;Web Scraper在此架构中已升级为具备反爬治理、策略路由与流量熔断能力的数据采集基础设施。三者协同形成可监控、可审计、可灰度发布的生产级工作流,广泛适用于政务监管、金融风

weixin_30617695的博客 391

LangChain与LangGraph:通往生产级AI Agent系统的工程哲学与技术路线图

编写本文时,LangGraph GitHub仓库显示约33.3k星标且2026年5月仍在高频迭代。这一领域的演进速度远超传统软件工程。建议读者在参考本文架构决策时,始终以官方最新文档为准,并密切关注GitHub CHANGELOG中的Breaking Changes。两个框架都不是终点,而是在通往真正生产级AI Agent系统的漫长道路上的两个重要里程碑——一个在抽象层的顶端书写优雅,一个在运行时深处铸就可靠。

几十年资深高级架构师,技术专家的技术笔记。专注C、Java、Python、微服务、云原生、AI工程化及高并发系统分布式架构实战,分享源码剖析、性能调优与架构治理经验。 168

LangGraph:AI智能体开发的图结构编排框架解析

图计算框架是现代分布式系统的重要基础设施,通过节点和边的拓扑结构实现复杂工作流建模。LangGraph作为专为AI智能体设计的编排框架,采用类似Google Pregel的状态管理机制,将业务逻辑分解为无状态节点,通过持久化State对象实现异常恢复和长时对话支持。在工程实践中,该框架显著提升了客服系统和订单处理等场景的可靠性,配合Redis等存储后端可实现秒级状态恢复。其核心价值在于将检查点机制与条件路由相结合,为多轮对话、金融风控等需要状态保持的AI应用提供生产级解决方案。

weixin_33933118的博客 321

告别软件轮询!用STM32G474的COMP比较器实现纳秒级硬件过压保护(CubeMX配置详解)

本文详细介绍了如何利用STM32G474的COMP比较器实现纳秒级硬件过压保护,通过CubeMX配置详解,展示了硬件比较器相比传统软件轮询方案在响应时间、CPU占用和可靠性等方面的显著优势。文章还提供了实战配置流程和优化技巧,帮助工程师快速构建高效的硬件保护系统。

weixin_28683689的博客 351

Agent 实战教程:LangGraph 概念介绍 + 快速入门,轻松上手智能体开发

本文介绍了LangGraph实战前的知识储备要点,重点解析了LangChain的ChatModel调用方法与ReAct框架原理。 模型调用:通过LangChain可便捷调用20+厂商的大模型(如DeepSeek),示例展示了ChatDeepSeek的完整响应结构,包括核心内容(如生成的儿歌)和元数据(token消耗、请求ID等)。 ReAct框架:结合推理(Reasoning)与行动(Acting)提升模型决策能力,通过交替生成思考步骤(如问题拆解)和执行操作(如搜索外部数据)完成任务,论文示例演示

qq_46094651的博客 764

Lane、PHY和Preset Value Bit

每个Lane支持不同的传输速度和带宽,例如PCIe 3.0中,一个Lane的传输速度可以达到8 GT/s(Giga Transfers per second),也就是1 GB/s(GigaBytes per second)。Preset Value Bit(预置值位)是在PCIe 3.0的Lane上新引入的一种机制,用于优化信号传输质量。PCIe设备可以包含多个Lane,例如x1、x4、x8、x16等,表示该设备同时使用的Lane数目,比如x16表示该设备采用了16个Lane,具有更高的传输速度和带宽。

weixin_58083606的博客 1300

ZedBoard+Vivado(二)——PS + PL实现流水灯

硬件:Zedboard 软件:Vivado2018.2 + Win10 本文参考了http://blog.chinaaet.com/cuter521/p/35978的设计 1 设计 功能:PS + PL流水灯 语言:C 流程:创建工程-&amp;gt;IP Integrator-&amp;gt;综合、实现、生成Bitstream-&amp;gt;SDK 2 流程 2.1 创建工程 跟上一篇步骤完全相同,这里不用添加源文...

q416524389的博客 3702

鲍亮垂直Agent开发入门书《AI智能体应用开发》全文试读~

本章聚焦智能体感知能力这一核心主题,从整体架构视角出发,系统阐述感知能力在智能体体系中的定位与作用机制,并以文档感知为重点,深入拆解文档预处理的关键任务、输出形态及主流技术工具。发展历程的梳理显示,智能体从20世纪中叶的理论萌芽起步,历经符号主义主导的奠基期、连接主义推动的黄金期、强化学习与深度学习融合的复兴期,在大数据与大模型的加持下进入爆发期,每一步演进都离不开技术突破的支撑。本章围绕智能体基础展开,系统梳理了智能体的核心概念、发展历程、核心特点及应用挑战,为读者构建了智能体认知的基础框架。

夏天又到了的专栏 568

【GAMES101】现代计算机图形学入门 资料整理

课程网址 课程主页 包括ppt 课程PPT和视频 一篇搞定!GAMES101现代计算机图形学入门(全) 作业链接地址 作业论坛 GAMES101课程环境搭建(Win10+VSCode) 计算机图形学笔记 虎书pdf 提取:n2rx 【必须】:高等数学(微积分、线性代数)、算法、数据结构 【非必须】:信号处理、数值分析、大学物理(光学) 在线公式编辑器 一定要做作业,如果个人要配置环境的话应该是配置opencv,eigen这两个核心库就行了,目前觉得最核心的一个作业是作业3,实现着色器和渲染管线,做完一遍

ysh的博客 2687

王晓华智能体开发入门书《AI Agent智能体与MCP开发实践:基于Qwen3大模型》全文试读~

《AI Agent智能体与MCP开发实践:基于Qwen3大模型》读者学习心得与案例重现-优快云博客内容简介、前言 【新书预告】《AI Agent智能体与MCP开发实践:基于Qwen3大模型》_ai agent智能体与mcp开发实践 基于qwen3大模型 电子书、-优快云博客 目录 《AI Agent智能体与MCP开发实践:基于Qwen3大模型》目录_ai agent智能体与mcp开发实践电子书-优快云博客 从大模型到自主智能体的能力跃迁_ai agent qwen3王晓华-优快云博客大模型工

夏天又到了的专栏 517

实战指南:用Python实现ONVIF WS-Discovery设备发现(附完整代码)

本文提供了一份详细的实战指南,介绍如何使用Python实现基于ONVIF标准的WS-Discovery设备发现协议。文章深入解析了协议原理、网络通信模型,并提供了完整的代码实现,帮助开发者快速构建智能安防和物联网应用中的设备自动发现工具,有效提升网络设备集成与管理的效率。

chair的专栏 1118

ROS从入门到精通0-4:VSCode 搭建 ROS 工程环境

为了提高开发效率,可以先安装集成开发工具和使用方便的工具,本教程用VSCode搭建ROS工程环境

FRIGIDWINTER的博客 1万+

大模型多智能体框架之争:AutoGen、CrewAI、LangGraph选型策略

文章深入对比三大多智能体框架:Autogen(对话驱动,擅长人机协作)、CrewAI(模块化流水线架构)和LangGraph(状态机驱动的流程编排)。通过分析三者在开发效率、灵活性和控制粒度上的差异,结合金融、电商、自动驾驶等实际应用场景,提供针对性选型建议。文章还强调提示词设计和协作优化的重要性,指出开发者应根据具体业务场景选择最合适的框架,而非盲目追随技术趋势。

weixin_55154866的博客 1439

Android 15.0 Launcher3中去掉Hotseat功能实现

在15.0系统产品定制化开发中,在Launcher3的定制化需求也是特别多的,由产品是小屏幕的产品,所以产品需求Launcher3 页面布局的原因,要求Launcher3 需要去掉Hotseat 不显示Hotseat下面几个图标,而做满屏app的显示,从而达到美观的效果,下面就来分析去掉Hotseat从而实现这个功能

安卓兼职framework和app工程师的博客 558

多智能体编排框架大比拼:CrewAI、AutoGen 与 LangGraph 的优缺点红黑榜

CrewAI(2024年1月开源,GitHub Star: 62k+):主打“轻量级、角色化、流式任务拆解”,定位是“AI协作团队SaaS化原型开发框架”,上手最快,最适合1-10人规模的多智能体项目。AutoGen(2023年10月开源,GitHub Star: 48k+):主打“灵活的双工交互、自定义Agent能力、函数调用与代码执行深度集成”,定位是“通用AI协作研究与工业级工具开发框架”,灵活性最高,但门槛也最高。LangGraph(2024年3月正式GA,GitHub Star: 21k+)

操作系统内核探秘的博客 156

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

掌握LangGraph:小白程序员轻松搭建智能Agent,收藏这份快速入门指南!

本文介绍了如何使用LangGraph框架搭建智能Agent。首先概述了LangGraph的优势和官方文档资源,接着详细讲解了如何调用大模型、ReAct框架的核心思想以及LangGraph的快速入门方法。文章还涵盖了记忆持久化和结构化输出的实现,并提供了丰富的LangGraph教程合集和学习资源。适合想要学习大模型技术的程序员,尤其是小白入门者。

Android_XG的博客 699

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

上一篇: AI Agent从无到有61:LangGraph 核心组件与工作流控制完全指南
下一篇: AI Agent从无到有63: LangGraph 人机交互——让人类介入 AI 工作流
Wang's Blog
博客等级 码龄12年 7438粉丝 2422原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Wang's Blog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值