AI Agent从无到有63: LangGraph 人机交互——让人类介入 AI 工作流

LangGraph+ReAct构建可落地的AI Agent工作流 AI Agent 是指具备自主规划、工具调用与状态记忆能力的智能体,其核心原理在于将大模型的推理(Reasoning)与行动(Acting)解耦为可验证的闭环流程。LangGraph 通过有向图建模实现稳定的状态流转与错误隔离,ReAct 框架则提供结构化决策范式,显著提升多步任务的鲁棒性与可观测性。该技术组合在电商客服、智能运维、金融风控等需跨系统协同的场景中展现出强工程价值。本文聚焦 LangGraph 与 ReAct 的生产级集成实践,涵盖状态设计、工具绑定、记忆持久化及调试策略,直击‘大模型不会主动 阅读详情

纲要

  • 人机交互的必要性
    • 模型概率生成的不确定性
    • 高风险业务场景的合规与安全需求
  • LangGraph 人机交互核心机制
    • interrupt():节点级中断
    • Command(resume=...):恢复执行与数据注入
    • interrupt_before / interrupt_after:边级中断
    • update_state:状态编辑与回写
  • 实战一:等待用户输入反馈
    • 构建包含反馈节点的线性工作流
    • 中断与恢复的完整生命周期
  • 实战二:审查工具调用
    • 基于 ToolNode 的智能体构建
    • 工具执行前插入人工审查节点
    • 支持批准、拒绝与参数修改
  • 实战三:编辑图状态
    • 使用 interrupt_before 在任意节点前暂停
    • 通过 update_state 修改状态后继续
  • 总结与对比
  • 参考文档与链接

为什么需要人工介入

当前的大语言模型基于概率分布生成内容,其决策过程本质上具有非确定性。即便采用最先进的模型,在复杂推理或多步工具调用场景中,仍然可能出现意图偏离、参数错误或事实性幻觉。在金融交易、医疗建议、自动化内容发布、基础设施运维等高敏感业务场景中,一次未经审核的模型决策可能导致严重的业务损失或合规风险。

因此,在生产级 AI Agent 系统中引入人机交互环节并非可选增强,而是保障系统可靠性与可控性的必要手段。LangGraph 作为基于图结构的状态化智能体编排框架,提供了原语级的人机交互支持,允许开发者将人工审批、数据修正、流程干预等能力灵活嵌入工作流的任意位置。

核心机制: interrupt 与 Command

LangGraph 的人机交互能力围绕以下核心 API 构建:

  • interrupt(value: Any) -> Any
    在节点函数内部调用,立即暂停当前图的执行,并将 value 作为中断事件向外抛出。该调用会阻塞当前线程,直到外部通过恢复机制注入数据。中断点返回的数据类型由调用方传入的 resume 值决定。

  • Command(resume: Any, update: Optional[Dict] = None)
    用于从外部恢复被中断的图执行。resume 字段携带人类提供的反馈数据,该数据会作为 interrupt() 的返回值注入到节点上下文中。update 字段可选,用于在恢复时同时修改图的状态。

  • interrupt_before / interrupt_after
    在编译图时通过 compile(checkpointer=..., interrupt_before=[node_names]) 或调用 stream(..., interrupt_before=[...]) 指定在特定节点执行前或执行后自动暂停。该方式无需在节点函数内部显式调用 interrupt(),适用于在不修改节点逻辑的情况下插入审核点。

  • update_state(config, values, as_node=None)
    CompiledGraph 提供的方法,用于在任意中断点直接修改图的当前状态。该方法接受与状态类型一致的 values 字典,并可选择指定将此次修改关联到某个节点(用于 checkpoint 追溯)。

版本说明:本文示例基于 langgraph >= 0.2.0。自 0.2.0 起,interrupt_before 与 interrupt_after 参数已从 compile() 移至 stream() / invoke() 方法中。若使用旧版本(< 0.2.0),请参照官方迁移指南调整 API 调用方式。

实战一:等待用户输入反馈

本示例构建一个包含三个节点的线性工作流:step_one → human_feedback → step_three。在 human_feedback 节点中显式调用 interrupt(),等待人类输入反馈后继续执行。

import os
from typing import TypedDict
from dotenv import load_dotenv
from langgraph.graph import StateGraph, END
from langgraph.checkpoint.memory import MemorySaver
from langgraph.types import interrupt, Command

load_dotenv()

class FeedbackState(TypedDict):
    input: str
    user_feedback: str

def step_one(state: FeedbackState) -> FeedbackState:
    print(">>> 执行 Step 1")
    return state

def human_feedback(state: FeedbackState) -> FeedbackState:
    print(">>> 等待人类反馈...")
    # interrupt() 会抛出中断事件并阻塞,直到外部通过 Command(resume=...) 恢复
    feedback = interrupt("请提供你的反馈:")
    return {"user_feedback": feedback}

def step_three(state: FeedbackState) -> FeedbackState:
    print(f">>> 执行 Step 3,收到的反馈:{state['user_feedback']}")
    return state

builder = StateGraph(FeedbackState)
builder.add_node("step_one", step_one)
builder.add_node("human_feedback", human_feedback)
builder.add_node("step_three", step_three)

builder.set_entry_point("step_one")
builder.add_edge("step_one", "human_feedback")
builder.add_edge("human_feedback", "step_three")
builder.add_edge("step_three", END)

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

config = {"configurable": {"thread_id": "feedback-session-1"}}
input_data = {"input": "你好"}

print("===== 首次调用(将中断于 human_feedback)=====")
# 使用 stream 并捕获中断异常
try:
    for event in app.stream(input_data, config):
        print(event)
except Exception as e:
    # LangGraph 在 interrupt 处会抛出 GraphInterrupt 异常
    print(f"中断发生: {e}")

print("\n===== 获取当前状态 =====")
state = app.get_state(config)
print(f"当前状态值: {state.values}")
print(f"下一个待执行节点: {state.next}")

print("\n===== 恢复执行(提供反馈)=====")
resume_input = Command(resume="我觉得很好,继续吧!")
for event in app.stream(resume_input, config):
    print(event)

print("\n===== 最终状态 =====")
final_state = app.get_state(config)
print(f"最终状态: {final_state.values}")

该示例展示了中断与恢复的完整生命周期。注意,stream() 在遇到 interrupt() 时会抛出 GraphInterrupt 异常,实际生产代码中应使用 try-except 捕获并从中提取中断信息,或使用 invoke() 配合 Command 进行同步恢复。

实战二:审查工具调用

在智能体系统中,工具调用是最常见需要人工介入的环节。本示例构建一个天气查询智能体,在工具执行前插入审查节点,由人类审批工具名称和参数。

import os
from typing import Literal
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, AIMessage, ToolMessage
from langgraph.graph import StateGraph, END, MessagesState
from langgraph.checkpoint.memory import MemorySaver
from langgraph.prebuilt import ToolNode, tools_condition
from langgraph.types import interrupt, Command

load_dotenv()

def get_weather(city: str) -> str:
    """查询指定城市的天气(模拟实现)"""
    return f"{city}天气晴朗,25°C"

tools = [get_weather]
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
llm_with_tools = llm.bind_tools(tools)

class AgentState(MessagesState):
    pass

def call_model(state: AgentState) -> AgentState:
    response = llm_with_tools.invoke(state["messages"])
    return {"messages": [response]}

def human_review_node(state: AgentState) -> AgentState:
    last_msg = state["messages"][-1]
    if not hasattr(last_msg, "tool_calls") or not last_msg.tool_calls:
        return state

    print(">>> 需要审查的工具调用:")
    for call in last_msg.tool_calls:
        print(f"  工具: {call['name']}, 参数: {call['args']}")

    # 等待人类决策。返回 'continue' 表示批准,其他值表示拒绝
    decision = interrupt("请审批:输入 'continue' 批准,或提供修改后的参数 JSON")
    if decision == "continue":
        return state
    else:
        print(">>> 审查未通过,终止执行")
        # 返回一条 ToolMessage 表示工具调用被拒绝
        return {"messages": [ToolMessage(content="审查未通过,工具调用被拒绝", tool_call_id=last_msg.tool_calls[0]["id"])]}

builder = StateGraph(AgentState)
builder.add_node("call_model", call_model)
builder.add_node("review", human_review_node)
builder.add_node("tools", ToolNode(tools))

builder.set_entry_point("call_model")

def should_review(state: AgentState) -> Literal["review", END]:
    if tools_condition(state):
        return "review"
    return END

builder.add_conditional_edges("call_model", should_review, {"review": "review", END: END})
builder.add_edge("review", "tools")
builder.add_edge("tools", "call_model")

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

config = {"configurable": {"thread_id": "review-tools-1"}}
input_data = {"messages": [HumanMessage(content="北京天气怎么样?")]}

print("===== 开始对话(将中断于 review 节点前)=====")
try:
    for event in app.stream(input_data, config, interrupt_before=["review"]):
        print(event)
except Exception as e:
    print(f"中断发生: {e}")

print("\n===== 恢复:批准工具调用 =====")
resume_cmd = Command(resume="continue")
try:
    for event in app.stream(resume_cmd, config):
        for node_name, value in event.items():
            if "messages" in value and value["messages"]:
                print(f"节点 {node_name}: {value['messages'][-1].content}")
except Exception as e:
    print(f"执行完成或发生异常: {e}")

在实际生产场景中,decision 可以解析为结构化 JSON,例如 {"action": "modify", "new_args": {"city": "上海"}},从而支持动态修改工具参数后再执行。

实战三:编辑图的状态

在某些场景下,审核需求不仅仅是批准或拒绝,而是需要修正流程中某个中间状态的值。LangGraph 提供了 update_state 方法,允许在任意中断点直接修改图的状态。

from typing import TypedDict
from langgraph.graph import StateGraph, END
from langgraph.checkpoint.memory import MemorySaver
from langgraph.types import Command

class EditState(TypedDict):
    text: str

def step_one(state: EditState) -> EditState:
    return {"text": state["text"].upper()}

def step_two(state: EditState) -> EditState:
    return {"text": state["text"] + " [processed]"}

def step_three(state: EditState) -> EditState:
    return {"text": "最终结果: " + state["text"]}

builder = StateGraph(EditState)
builder.add_node("step_one", step_one)
builder.add_node("step_two", step_two)
builder.add_node("step_three", step_three)
builder.set_entry_point("step_one")
builder.add_edge("step_one", "step_two")
builder.add_edge("step_two", "step_three")
builder.add_edge("step_three", END)

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

config = {"configurable": {"thread_id": "edit-state-1"}}
input1 = {"text": "hello world"}

print("===== 初始调用(暂停于 step_two 前)=====")
try:
    for event in app.stream(input1, config, interrupt_before=["step_two"]):
        print(event)
except Exception as e:
    print(f"中断发生: {e}")

state = app.get_state(config)
print(f"step_one 执行后的状态: {state.values}")  # 输出: {'text': 'HELLO WORLD'}

print("\n===== 更新状态 =====")
app.update_state(config, {"text": "CUSTOM TEXT"})
updated_state = app.get_state(config)
print(f"更新后的状态: {updated_state.values}")  # 输出: {'text': 'CUSTOM TEXT'}

print("\n===== 继续执行 =====")
for event in app.stream(None, config):
    print(event)

final_state = app.get_state(config)
print(f"\n最终状态: {final_state.values}")

执行上述代码后,step_two 接收到的 text 不再是 step_one 产出的 "HELLO WORLD",而是人工编辑后的 "CUSTOM TEXT"。update_state 的能力使得人类可以在工作流的任意节点修正数据偏差,从而避免从头重新执行。

三种人机交互模式对比

模式核心 API适用场景侵入性
节点内中断interrupt() + Command(resume=...)需要在节点内部获取人类输入作为业务逻辑的一部分(如收集反馈、审批意见)高(需修改节点函数)
边级中断stream(..., interrupt_before=[...])在不修改节点代码的前提下,在特定节点前后插入审核点低(仅调整编排层)
状态编辑update_state(config, values)需要修正历史中间状态,或跳过某些节点的计算结果中(需外部逻辑配合)

参考文档

参考链接

总结

LangGraph 通过 interrupt、Command、interrupt_before / interrupt_after 和 update_state 四个核心原语,构建了一套完整的人机交互体系。开发者可以根据业务场景灵活选择:

  • 需要人类输入参与节点计算时,使用 interrupt();
  • 需要在不侵入节点逻辑的前提下插入审核点时,使用 interrupt_before / interrupt_after;
  • 需要修正已产生的中间状态时,使用 update_state。

本文的三个实战示例完整覆盖了上述三种模式,代码均基于 langgraph >= 0.2.0 验证可运行。在生产级 AI Agent 系统中,合理运用这些机制能够在不牺牲自动化效率的前提下,引入人类监督与干预能力,显著提升系统的安全性与可控性。

构建国产化AI Agent工作流:Dify+DeepSeek+LangGraph实战 大模型Agent是当前企业智能化落地的核心技术形态,其本质是将语言模型与工具调用、流程编排、状态管理能力深度集成。原理上依赖于提示工程、函数调用(Function Calling)、有向无环图(DAG)编排等关键技术,技术价值在于实现多步骤推理、跨系统协同与错误自恢复。典型应用场景包括智能客服、自动化审批、学情分析等需长上下文理解与业务系统联动的领域。本文聚焦‘类GPT-5体验’的真实落地路径,基于Dify低代码平台、DeepSeek国产大模型API及LangGraph流程引擎,提供可复现的自主可控AI工作 阅读详情

相关推荐

LangGraph:用有向无环图重构AI工作流的工程化底座

AI工作流已从简单问答演进为多角色协同、外部工具调用、状态持久化与动态分支的复杂系统。传统线性Chain缺乏容错与分支能力,ReAct Agent则因LLM自由决策导致不可控、难审计。LangGraph以DAG(有向无环图)保障流程拓扑安全,以强类型State Machine实现状态可信与编译时校验,将‘流程如何流转’与‘当前走到哪’彻底解耦。其原生支持Chat Models适配与Tools标准化集成,使重试、降级、人工审核等生产级需求可声明式定义。典型应用于智能客服、报销审批、跨模型投研等需高可靠性与可观

weixin_30721077的博客 361

11.15 LangGraph多回合记忆实战:用户留存率飙升63%的AI Agent构建指南

本文详细介绍了如何使用 LangGraph 构建生产级 AI Agent,重点探讨了持久化与记忆机制的设计与实现。通过对比多回合记忆与单回合记忆的差异,强调了多回合记忆在用户留存率上的显著优势。文章深入解析了 LangGraph 的检查点系统,包括其实现原理、核心代码示例以及配置技巧,并提供了生产环境中的最佳实践和性能优化方案。此外,还讨论了灾难恢复方案的设计,确保系统的高可用性和数据安全性。整体内容涵盖了从基础到进阶的技术细节,为开发高效、可靠的 AI Agent 提供了全面的指导。

yonggeit的博客 3475

LangGraph实战:用状态机图编排构建可落地的AI Agent工作流

AI Agent本质是面向任务的自动化决策系统,其核心挑战在于状态管理、错误恢复与动态流程控制。LangGraph通过有向无环图(DAG)建模,将Agent重构为显式状态机,以TypedDict定义数据契约、conditional_edge实现业务逻辑驱动的条件跳转、内置循环与检查点保障韧性执行。相比传统Chain的线性无状态模式,LangGraph让AI行为具备可追溯、可中断、可审计的工程确定性,特别适用于合同审核、工单处理、数据同步等需多步校验与人工协同的真实场景。本文聚焦LangGraph的核心机制与

weixin_30240349的博客 327

【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

LangGraph实现AI自我修正工作流:从线性推理到循环式智能体

在大语言模型应用中,传统线性工作流面临状态不可见、执行不可逆、工具调用即终点等根本性局限,导致AI难以应对长链条、多反馈、高容错的复杂任务。LangGraph通过有状态有限自动机架构,将AI推理过程显式建模为节点、边与状态机三位一体的循环式智能体,支持暂停、回溯、人工介入与动态校准。其核心价值在于将‘AI改变主意’从随机重试升维为基于置信度、证据链和约束条件的可控迭代,广泛适用于金融合规、智能客服、SaaS配置等需持续反思与修正的工程场景。

weixin_33923762的博客 362

LangGraph生产实践:用状态机构建可运维AI Agent

AI Agent不是简单调用大模型,而是需具备状态管理、错误恢复与流程编排能力的工程系统。LangGraph通过显式State(Pydantic模型)、可测试Node(纯函数)和声明式Edge(条件路由),将隐性推理逻辑转化为可监控、可调试、可审计的状态机。它直击传统Chain架构的三大痛点:状态丢失导致上下文断裂、错误中断缺乏降级策略、分支逻辑硬编码难以演进。在金融风控、智能客服、多模态诊断等真实场景中,LangGraph支撑高SLO要求的AI系统落地——支持并行工具调用、LLM输出反射验证、多Agent

weixin_30482181的博客 431

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

Ollama+LangGraph构建本地AI智能体工作流

本地大模型(Local LLM)正成为企业数据主权与AI工程落地的关键路径。其核心原理在于将模型推理与工作流编排完全收敛于终端设备,规避云端传输风险,实现低延迟、高可控、强隐私的AI自动化。技术价值体现在对敏感数据不出域、业务逻辑可审计、迭代升级零停机的工程保障。典型应用场景包括会议纪要生成、合同初筛、合规问答等需离线处理的办公自动化任务。本文聚焦Ollama与LangGraph协同实践,详解如何基于本地运行时与有向无环图(DAG)工作流,构建真正‘不上传、不依赖、不妥协’的智能体系统。

weixin_30300225的博客 560

LangGraph状态机实战:构建可中断、可恢复的AI Agent

AI Agent本质是任务编排系统,而非增强版Chatbot;其核心原理在于结构化状态管理与条件驱动的流程控制。LangGraph通过TypedDict定义的State契约、add_conditional_edges实现的多分支跳转、以及checkpoint机制支持的中断恢复能力,提供了比LangChain更符合生产需求的Agent架构基础。技术价值体现在可测试性提升、错误可降级、会话可持久化三大工程优势,广泛应用于销售线索处理、智能客服、自动化办公等需跨步骤协同与用户实时干预的场景。本文聚焦LangGra

weixin_30423977的博客 349

LangGraph图工作流:构建可调试、可中断、可恢复的AI智能体

智能体(Agent)是大模型从被动响应走向主动执行的关键范式,其核心在于状态管理、条件分支与容错恢复能力。LangGraph通过有向无环图(DAG)与状态机融合设计,将复杂任务解耦为可观测、可测试、可回溯的原子节点,天然支持中断续跑、错误注入与人工干预。相比传统链式调用(Chain)的状态黑盒与线性僵化,LangGraph以TypedDict状态、conditional_edge路由和MemorySaver检查点,实现工程级可控性。它广泛应用于客服工单路由、RAG增强决策、多系统协同等需高可靠性与业务敏捷性

weixin_30872337的博客 446

LangGraph vs LangChain:生产级Agent开发的范式切换

Agent框架是构建可审计、高可靠AI应用的核心基础设施,其本质是状态管理与流程控制的统一。LangChain以函数式Chain模型提供快速原型能力,但线性执行、状态耦合、错误不可控等设计局限,在金融风控、政务问答等长周期、强合规场景中暴露明显;LangGraph则基于有向状态图(StateGraph)重构抽象,将流程逻辑、错误处理、可观测性内化为一等公民,天然支持条件分支、人机协同、跨服务状态持久化与OpenTelemetry原生追踪。本文结合7个真实上线项目经验,解析从Chain到Graph的技术演进动

cigang4063的博客 450

LangChain与LangGraph:AI开发框架选型与实战对比

在AI应用开发领域,框架选择直接影响开发效率与系统可靠性。LangChain作为高级抽象框架,通过预制模块和标准化接口,大幅降低LLM应用开发门槛,特别适合快速原型验证。而LangGraph基于有向无环图(DAG)的精细控制能力,为复杂业务流程提供原子级的执行单元管理和状态持久化。从技术原理看,两者的核心差异体现在执行模型上:LangChain采用线性流程简化开发,LangGraph则通过显式状态转移支持非确定性流程。在金融风控、智能客服等可靠性敏感场景中,LangGraph的自动重试和熔断机制能显著提升任

weixin_30328063的博客 422

ReAct Agent架构与LangGraph状态机实践指南

智能体(Agent)技术正从静态响应向动态决策演进,其核心在于实现推理(Reasoning)与行动(Acting)的闭环。现代AI系统通过原生Tool Calling机制,将工具调用延迟降低80%以上,支持实时数据获取与多步骤验证。LangGraph状态机突破传统线性流程限制,支持动态路径规划与断点续跑,在学术研究、数据分析等场景展现优势。本文深入解析工具向量化匹配、三级容错机制等关键技术,并分享批处理优化将吞吐量提升3倍的实战经验,为构建自主决策系统提供工程参考。

weixin_34007020的博客 332

LangGraph Rag Agent 学习

用StateGraph实现分支、循环与人工审批LangGraph的StateGraph是如何用一张有向图把"分支判断、循环重试、人工审批、断点续传"这四件Chain做不了的事,一次解决的。。而工作流本质上是一个状态机。StateGraph核心四件套LangGraph的核心是——一个有向图状态机。一个共享的TypedDict,所有节点都读它、写它。是"图的血液"。一个函数,输入State,输出State的部分更新。是"图的背肌"。节点之间的连接。可以是硬边(A一定到B)。

wangqiaowq的博客 349

Gemini 3 Pro三大Agent框架实战对比:ADK、LangGraph与Agno选型指南

AI Agent是实现自动化业务流程的核心范式,其本质是将‘思考-行动-观察’闭环工程化落地。技术原理上,不同框架对控制权的分配逻辑差异显著:ADK依托大模型自主决策,LangGraph通过图结构保障可审计性,Agno则聚焦声明式状态流转。这种架构分野直接决定了系统在可调试性、持久化能力与上线速度上的技术价值。典型应用场景包括采购审批、合同生成、多源比价等需工具调用与状态管理的复杂工作流。本文基于Gemini 3 Pro原生集成与Google ADK发布背景,结合真实压测数据与生产级配置细节,深入剖析三类主

weixin_33981932的博客 438

AI Agent实战:从目标驱动到生产落地的全链路解析

AI Agent是一种以目标为导向、具备环境感知与自主决策能力的智能任务执行范式,其核心在于将高层业务意图转化为动态可执行路径,而非依赖固定脚本。它通过记忆模块实现经验沉淀,借助标准化工具调用协议打通系统孤岛,并依托语义定位与容错机制显著提升跨环境鲁棒性。相比传统RPA的指令驱动模式,AI Agent在金融票据处理、电商退货履约、政务工单分拨等强规则+高变异场景中展现出更强的适应性与稳定性。本文结合27个行业落地项目经验,深入剖析Agent Runtime架构选型、异构部署策略及典型故障排查逻辑,聚焦真实生

weixin_33709364的博客 408

LangChain vs LangGraph,到底该怎么选?

在大模型开发中,选择合适的工具至关重要。LangChain如同“乐高积木”,适合快速搭建原型和实现标准AI功能,如问答系统、聊天机器人等;而LangGraph则像“精密引擎”,擅长处理复杂逻辑和精确控制AI决策,支持多智能体协作和条件分支。两者并非竞争关系,而是互补的:先用LangChain验证想法,再引入LangGraph优化复杂流程,这才是AI工程化落地的正确打开方式。“在大模型开发的赛道上,选对工具往往比写好代码更重要。

2401_85390073的博客 235

大疆无人机图像传输延时优化全解析:从Lightbridge到OcuSync的实战技巧

本文深入解析大疆无人机图像传输延时优化,对比Lightbridge与OcuSync两大核心通信协议的技术差异与实战表现。文章详细拆解了从传感器采集到屏幕显示的完整延时链条,并提供了从环境频段选择、硬件升级到软件设置的全方位优化技巧,帮助飞手与开发者显著降低图传延时,提升操控体验与作业效率。

weixin_29163857的博客 307
上一篇: 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
下一篇: AI Agent从无到有64: LangGraph 高级特性——时光旅行、流式输出与工具调用
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