Dontla的博客

例如，我需要一个用于个人任务的助手，另一个用于工作事务的助手。对我而言，是能够为不同类别的任务分别维护待办事项列表。下方更新后的代码先创建一个备用助手，然后将其删除。类似地，我们也可以为我的个人助手添加待办事项。让我们为我的工作助手添加一些待办事项。这是我将用来管理个人任务的个人助手。例如，我们可以删除不再使用的助手。应用中，助手的实际用例是什么？这是我们部署图时创建的默认助手。让我们更新此助手，为其添加我的。现在，让我们创建一个工作助手。我将用它来处理我的工作任务。助手将保存至我们部署中的。

We can see我们可以看到所有方法均已汇总。

我们的部署包含一个 PostgreSQL 数据库，用于存储这些长期（跨线程）内存。将 token 流式传输回客户端，在处理可能耗时较长的生产环境智能体时尤为有用。这将保留现有线程的历史记录，同时允许我们创建独立运行，且不会影响原始线程。在我们的部署中，可通过 LangGraph SDK 使用多种方法。如果我们希望等待运行完成，使其变为阻塞式运行，该怎么办？后台运行和轮询在处理长时间运行的智能体时非常有用。这确保在当前线程上的运行完成前，不会启动新的运行。，服务器支持我们讨论过的全部人工介入循环功能。

创建并运行 LangGraph 服务器容器，并传入 Redis 和 PostgreSQL 的 URI。如果你已有正在运行的 Redis 和 PostgreSQL（例如，在本地或其他服务器上），则可。Docker 镜像是 Docker 容器的模板，其中包含运行应用所需的代码和依赖项。该操作会将我们的图及其依赖项打包进一个 Docker 镜像。是用于创建 LangGraph 平台部署的命令行接口。，并添加以下环境变量，即可运行已部署的。让我们为我们在模块 5 中创建的。，我们将按几个步骤操作。

我们添加一个简单路由器，用于对是否保存记忆作出二元决策。Trustcallin the内存集合的更新仍由节点中的Trustcall处理，与之前一致！

我们不会将用户信息存储在固定的档案结构中，而是创建一个灵活的集合模式，用于存储关于用户交互的记忆。content每条记忆将作为独立条目存储，仅含一个content字段，用于保存我们希望记住的主要信息。该方法使我们能够构建一个开放式的记忆集合，随着对用户的了解不断加深而持续扩展与演进。Pydanticobject.我们可以将集合模式定义为一个Pydantic对象。chat model我们可以使用 LangChain 的聊天模型chat model接口的 with_structured_output。

PydanticPython 提供了多种用于结构化数据的类型，例如 TypedDict、字典、JSON 和Pydantic。让我们首先使用 TypedDict 来定义用户档案模式。

The提供了一种在 LangGraph 中跨线程存储与检索信息的方式。This is ankey-valuestores.这是一个开源基类，用于持久化的键值（key-value）存储。Store向Store中存储对象（例如记忆）时，我们需要提供：Thenamespace对象的命名空间（namespace），为一个元组（类似于目录结构）the objectkey对象的键（key）（类似于文件名）the objectvalue对象的值（value）（类似于文件内容）We use theput。

然而，研究需要定制化：原始 LLM 输出往往难以直接适用于现实世界的决策工作流。接下来，我们将整合这些理念，以应对人工智能领域最受欢迎的应用之一：研究自动化。此处，我们运行访谈流程，并传入一篇与主题相关的 llama3.1 论文索引。最后，我们将创建用于保存完整访谈内容以及撰写访谈摘要（即“章节”）的节点。我们的目标是围绕聊天模型构建一个轻量级的多智能体系统，以定制研究流程。现在，我们创建用于网络和维基百科搜索的节点。我们还将创建一个用于回答分析师问题的节点。工作流是解决此问题的一种有前景的方法。

自录制这些视频以来，我们已更新 Studio，使其支持本地运行并通过浏览器访问。为构建这一多智能体助手，我们已陆续介绍了若干 LangGraph 可控性主题。我们正在构建一个多功能智能体研究助手，该助手将整合本课程所有模块的内容。—— 将一项任务拆分为若干更小的子任务，并对每个子任务进行并行处理。推荐采用此方式运行 Studio，而非视频中演示的桌面应用。—— 汇总所有已完成的并行化子任务的结果。现在，我们只需定义一个用于生成笑话的节点。使用其自身的内部状态，而我们可通过。

我们可以为每个子图简单地创建一个输出状态结构，并确保该输出状态结构包含不同的键，以便作为输出发布。这对多智能体系统尤其有用——例如由多个智能体组成的团队，每个智能体都拥有自己的状态。我们正在构建一个多功能智能体研究助手，该助手将本课程所有模块整合在一起。我们刚刚学习了并行化，这是 LangGraph 可控性的一个重要主题。子图允许你在图的不同部分创建和管理不同的状态。由于并行子图返回相同的键，因此需要一个类似。我们来定义将输入到图中的日志的结构。的归约器，以合并各子图传入的值。以下是问题摘要子图，它使用。

使用扇出时，若多个步骤向同一通道 / 键写入数据，则必须确保使用归约器（reducer）。自录制这些视频以来，我们已更新 Studio，使其现在可本地运行并通过浏览器访问。（多代理）工作流，并最终构建一个整合本课程所有模块功能的多代理研究助手。不过，我们可以使用自定义归约器来自定义此行为（例如对状态更新进行排序）。这是运行 Studio 的首选方式，而非视频中展示的桌面应用程序。我们来构建一个简单的线性图，使其在每一步都覆写状态。然而，在每一步内部，我们无法精确控制状态更新的顺序！

随后，我们展示了如何基于人工审批继续执行，或直接利用人工反馈编辑图状态。现在，当我们进行流式输出（stream）时，图知道该检查点尚未被执行过。——我们可以中断代理运行，将当前状态呈现给用户，并允许用户接受某项操作。我们展示了断点如何在特定节点处暂停图的执行，或让图动态地自行中断。我们可以看到，代理的当前状态已更新为我们的分叉结果。让我们运行代理，并对每个节点调用后的图状态流式输出。因此，要覆盖该消息，我们只需提供其消息 ID，即。现在，我们可以看到当前状态已是代理运行的最终状态。

自录制这些视频以来，我们已更新 Studio，使其现在可本地运行并通过浏览器访问。我们介绍了断点作为一种通用机制，用于在特定步骤处停止图的执行，从而支持。——我们可以中断代理执行，将当前状态呈现给用户，并允许用户接受某项操作。（1）您可以有条件地触发中断（即在节点内部、基于开发者定义的逻辑）这是运行 Studio 的首选方式，而非视频中展示的桌面应用。让我们使用一个长度超过 5 个字符的输入来运行该图。除非状态被修改，否则我们将一直卡在此处。我们可以尝试从该断点恢复图的执行。但这样只会重新运行同一个节点！

自录制这些视频以来，我们已更新 Studio，使其现在可本地运行并通过浏览器访问。我们设置一个检查点器（checkpointer），以保存图在此节点之前的状态。中添加断点，但 API 的一个非常实用的功能是：我们可以直接传入断点！我们已演示断点如何支持用户审批，但尚不清楚图被中断后如何修改图状态！我们用它来中断图，并在执行下一个节点前等待用户审批。现在，让我们演示如何直接编辑图状态并插入人工反馈。我们将在代理中添加一个节点，作为人工反馈的占位符。因此，显然我们可以在断点之后编辑代理状态。

自录制本视频以来，我们已更新 Studio，使其现在可本地运行并通过浏览器访问。为清晰起见，LangGraph 将重新发出当前状态，该状态包含带有工具调用的。我们看到工具节点使用该工具调用执行，并将结果传回聊天模型以生成最终答案。现在，让我们将上述内容整合起来，加入一个接受用户输入的具体人工审批步骤。——我们可以中断代理执行，将当前状态呈现给用户，并允许用户批准某项操作。随后，它将继续执行图中的后续步骤，这些步骤以工具节点为起点。（人在回路中），我们通常希望在图运行时实时查看其输出。

做好铺垫，我们将首先深入流式传输，它提供了多种方式来可视化图执行过程中的输出（例如节点状态或聊天模型生成的 token）。让我们复用模块 2 中构建的聊天机器人，并演示在图执行过程中流式传输输出的多种方式。我们构建了一个具备外部内存的聊天机器人，可支持长时间运行的对话。特别是，在调用聊天模型时，常需流式传输其逐个生成的 token。这是运行 Studio 的首选方式，而非视频中展示的桌面应用。模式流式传输，因此仅能看到图中每个节点运行后状态的更新。在模块 2 中，我们介绍了几种自定义图状态和内存的方法。

我们已介绍如何自定义图状态模式（state schema）与规约器（reducer）。我们还展示了多种用于修剪或过滤图状态中消息的技巧。我们已在具备记忆功能的聊天机器人中应用了这些概念，该机器人可生成对话的持续摘要。这叫“滚动摘要”或“持续摘要”。

我们已介绍如何自定义图状态模式（schema）和规约器（reducer）。我们还展示了多种在图状态中裁剪或过滤消息的方法。模型虽然看不到已经删除的旧消息，但能够通过摘要了解之前聊过什么。旧摘要 + 新消息 → 新摘要所以它是一种“滚动摘要”。消息超过 6 条才生成摘要，避免每轮对话都额外调用一次 LLM。LLM 摘要并不是无损压缩。忘记细节；日期或数字出错；误解用户意图；错误内容被不断继承。所以订单号、金额、权限、用户明确偏好等重要数据，不应该只存进自然语言摘要。

（未索引）

多种 Schema 是在给 LangGraph 划分“外部输入、内部工作状态、节点间临时数据、最终输出”，从而让工作流接口更干净、更安全，也更容易维护和扩展。接收单一 Schema，且所有节点均需按该 Schema 进行通信。有些数据只在中间计算过程中使用，不应该出现在图的最终输入或输出中。这适用于图中间工作逻辑所需、但与整体图输入或输出无关的任何内容。此外，该单一 Schema 包含图的输入与输出键（即通道）。当图使用多种 Schema 时，这一点尤为重要。首先，我们仅用单一 Schema 运行该图。

为应对这类情况，我们还可以定义自定义归约器。None例如，我们定义一个自定义归约逻辑，用于合并列表，并处理任一或两个输入均为None的情形。Args:Returns:"""left = []right = []Innode_1在node_1中，我们追加数值 2。# Logic# Add# Viewtry:e } ")e } ")现在，尝试使用我们的自定义归约器。我们可以看到，没有抛出任何错误。

这节课是在比较 LangGraph 状态的三种定义方法：TypedDict 最轻量，dataclass 更面向对象，Pydantic 能进行运行时数据验证。图中所有节点共同读取和修改的数据。你会注意到一个略显奇怪的现象：在每个节点中，我们仍返回一个字典来执行状态更新。这是可行的，因为 LangGraph 将状态对象的每个键单独存储。如模块 1 所述，我们在每个节点中覆写指定键（即“通道”）的值。由于我们的状态是一个字典，只需传入一个字典即可为状态中的。同时，我们可以将每个状态键视作图中的一个“通道”。

中文：目前，LangSmith Deployment 仅向 LangSmith Plus 套餐用户开放。自录制本系列视频以来，我们已更新 Studio，使其现在可本地运行，并可通过浏览器访问。接下来，我们将介绍如何将智能体实际部署到本地 Studio 和。这是运行 Studio 的首选方式，而非视频中演示的桌面应用。我们可通过 LangSmith 部署至云服务，具体步骤详见。若要在本笔记本中使用 SDK，请确保已设置。要在本地启动开发服务器，请在本模块的。，即在图每一步执行后，输出完整状态值。

这一内置持久化层为我们提供了记忆能力，使 LangGraph 能够从上一次状态更新处继续执行。自录制这些视频以来，我们已更新 Studio，使其现在可本地运行并通过浏览器访问。这是运行 Studio 的首选方式，而非视频中展示的桌面应用。我们只需在编译图时传入一个检查点器，该图便具备了记忆能力！当然，这限制了我们开展含中断的多轮对话的能力。现在，我们将通过引入记忆来扩展我们的代理。，它是一个用于图状态的内存内键值存储。让我们像之前一样运行我们的代理。将用于存储我们的一组图状态。

在上述路由器中，我们调用了模型；若模型选择调用工具，则向用户返回一个。让我们创建 LLM，并通过提示词设定其整体期望的智能体行为。模型便可选择：（1）调用另一个工具，或（2）直接响应。现在，我们可以将该结构扩展为一种通用的智能体架构。我们可在 LangSmith 中查看追踪记录。这一通用智能体架构背后的核心直觉。是否调用工具，将流程路由至。，并基于工具列表定义一个。节点即绑定了工具的模型。可应用于多种类型的工具。我们构建了一个路由器。我们将日志记录到项目。与之前一样，我们使用。，从而构成一个循环。

（2）添加一条条件边，用于检查聊天模型的输出，并据此路由至工具调用节点；这是一个智能体（agent）的简单示例，其中 LLM 通过调用工具或直接响应来主导控制流。我们可以将此视为一个路由器，其中聊天模型根据用户输入，在直接响应与工具调用之间进行路由。自录制这些视频以来，我们已更新 Studio，使其现在可本地运行并通过浏览器访问。这是运行 Studio 的首选方式，而非视频中展示的桌面应用。打开浏览器，导航至上方所示的 Studio 用户界面。现在，我们可以看到该图成功运行了工具！

这些类型分别代表来自用户的消息、来自聊天模型的消息、用于指示聊天模型行为的系统消息，以及来自工具调用的消息。当大语言模型（LLM）判断输入或任务需要某个工具所提供的功能时，它会选择使用该工具。当我们把某个 API（例如）作为工具绑定时，便使模型知晓了所需的输入模式。该工具调用具有与函数输入模式匹配的具体参数，以及待调用函数的名称。真正的执行发生在你的程序里，比如 LangGraph 的。它只是知道这些工具的接口，然后产生结构化的“调用请求”。我们可以加载一个聊天模型，并用我们的消息列表调用它。

注意不要重复登录，登录一次然后点击左边的。

状态（State）模式作为图中所有节点（Nodes）和边（Edges）的输入模式。条件边以函数形式实现，该函数根据某些逻辑返回下一个要访问的节点。每个节点函数接收当前状态，并返回一个新值，该值将覆盖图状态。我们来构建一个包含 3 个节点和一条条件边的简单图。第一个位置参数是上文定义的状态（state）。，它将用户输入发送至图中，以指明图的起始位置。类作为我们的模式，它为键提供类型提示。现在，我们基于上文定义的组件来构建图。它返回所有节点执行完毕后的图最终状态。，用于设置图状态字典的初始值。

https://academy.langchain.com/courses/intro-to-langgraphhttps://github.com/shangxiang0907/langchain-academy中文：第1课：动机中文：LangGraph 常见问题中文：LangGraph 与 LangSmith Deployment 有何不同？LangGraph is a stateful, orchestration framework that brings added control to agen

所以在你的 JobCopilot 这种项目里就会非常典型。这才是它比普通 chat history 更重要的地方。但 checkpoint 真正有用的地方，是。checkpoint 会保存整个 state。自动帮你把之前的消息整合起来，再发给大模型。这两个其实是两套不同的问题。

只有把 Wayland、X11 selection、MIME 转换、INCR/BIG-REQUESTS 和消费库逐层拆开，才能找到真正需要修改的那一行。在 X11 协议（X Window System）的上下文中，INCR 是 Incremental Transfer（增量传输）机制的缩写。这也解释了为什么故障看似与颜色和大小有关：PNG 越大，INCR 分片越多，撞上一次。这条错误很容易让人怀疑图片分辨率、颜色数量、PNG 大小，甚至会话上下文长度。但它不是稳定的字节阈值，同一张图也可能偶发成功。

去掉 ChatGPT Desktop 中转：手机直接通过 SSH 控制本地开发环境，响应更直接，也不会因为中转对话额外消耗 token。避免暴露公网端口：Tailscale 提供设备间的私有网络连接。避免断线丢会话：Codex CLI 运行在 tmux 中，手机和电脑可以在同一个终端状态之间切换。最终体验接近“把电脑上的 Codex CLI 装进手机”：手机只负责显示和输入，代码、依赖、密钥和算力仍留在自己的 WSL2 环境中。

欢迎来到 LangChain Academy 的 LangGraph 入门课程！本课程分为六个模块，从基础知识开始，逐步深入到更高级的主题。每个模块都包含讲解关键概念的视频课程，以及与之对应的笔记本。

此前，我已经解决了 Windows 与 WSLg（WSL Ubuntu） 之间的图片剪贴板格式问题：后台桥接服务会把 Wayland 中的image/bmp转换为 X11CLIPBOARD中的image/png。在独立的 Git Bash 终端里运行 Codex CLI 后，按Ctrl+V已经能够附加图片。奇怪的是，把同样的 Codex CLI 放到 VS Code 的 WSL 集成终端里运行，Ctrl+V又失效了：既没有出现[Image #1]，也没有任何报错，输入框看起来完全没有变化。

Codex CLI 明明提示可以按Ctrl+V问题最终不是 Codex 不支持图片，也不是 Windows 剪贴板为空，更不是关闭了 WSL 的。Windows 截图剪贴板││ WSLg 同步▼││ Codex 所用 Linux 剪贴板后端在本环境中读取不到这个表示▼X11 CLIPBOARD: 缺少 Codex 能取得的 image/png手工执行下面这条命令后，Codex 立刻能显示[Image #1]

在和LLM 可观测性（Observability）的语境下，Nested Span（嵌套跨度）是分布式追踪（Distributed Tracing）系统中的一个核心概念。简单来说，它指的是在一个父级操作的时间段内，包含了一个或多个子级操作的记录。这些子级操作在时间上和逻辑上都从属于父级操作，形成了一种树状或层级结构。Span 是追踪系统（如 OpenTelemetry, LangSmith, Arize Phoenix 等）中的基本单元。它代表了系统中一个单独的工作单元例如计算延迟。

在 WSL Ubuntu 中，最直接的方式是使用 Codex CLI。可能导致文件访问较慢，并带来权限、符号链接方面的问题。建议把代码放在 WSL 的 Linux 目录，而不是。新版 Codex 已不再支持 WSL1。等 Linux 路径中。VS Code 左下角应显示。，集成终端中的路径应是。

让 prompt 调优、图编排、数据契约三件事可以独立演进、独立测试、独立 review，互不拖累。在 Agent 系统这种 prompt 改动频率远高于代码的系统里，这种分离不是洁癖，而是生存需要。