Revivedsun的专栏

摘要： LangGraph通过interrupt()机制实现交互式中断，其原理基于异常抛出、状态快照保存和函数重放。然而，恢复执行时会重复调用中断前的全部代码，导致长耗时操作（如LLM调用）被多次执行，造成性能浪费。解决方案包括：1）将中间结果显式缓存至State对象，实现幂等性；2）拆分节点隔离副作用与交互逻辑。核心原则是确保所有需持久化的数据必须写入State，避免依赖局部变量。通过合理设计节点函数，可在保留中断能力的同时优化执行效率。（149字）

文章摘要： LLM智能体的记忆系统可分为三类：情景记忆（原始对话记录）、语义记忆（抽象化知识）和程序性记忆（行为模式）。这三类记忆呈现明确的衍生关系：情景记忆作为基础，语义记忆和程序性记忆从中提炼而出。情景记忆存储具体对话，语义记忆整理用户偏好和事实，程序性记忆固化任务流程。三者协同实现个性化、智能化的交互。工程实践中建议优先构建语义记忆，选择性使用情景记忆检索，并将程序性记忆融入系统架构。随着自我反思技术的发展，智能体将实现从简单存储到自主学习的进化，完成记忆系统向智能系统的关键跃迁。（150字）

本文拆解了LangGraph的"三步"执行模型，通过官方文档、示例代码和源码分析揭示了其核心机制。该模型基于Pregel/BSP算法，将图计算分为三个循环阶段：Plan阶段筛选待执行节点，Execution阶段并行运行节点（只收集写请求不实际更新），Update阶段集中写入通道数据并更新版本号。示例展示了单节点图的完整执行流程，源码分析定位了关键实现位置。三者印证了LangGraph通过分离计算与写入、批量同步更新的设计理念，实现了高效的图计算执行。

本文探讨了BSP模型、Pregel和LangGraph之间的思想传承与演变。BSP模型提出"超步"概念，通过计算-通信-同步循环实现并行计算；Pregel将这一思想应用于大规模图计算，以顶点为中心进行迭代处理；LangGraph则继承了"超步"概念，但将其转化为面向AI工作流的控制流模型，通过状态机循环实现智能体工作流编排。虽然三者都采用迭代执行模式，但LangGraph更注重顺序决策而非并行计算，体现了经典计算模型在不同领域的适应性创新。

本文解析了PregelProtocol、Pregel、CompiledGraph和CompiledStateGraph的架构层次关系：PregelProtocol定义基础接口；Pregel作为通用执行引擎实现协议；CompiledGraph简化图定义；CompiledStateGraph增加状态管理。重点剖析了Channel机制，它是通过订阅/写入实现节点间数据流的核心组件，以声明式方式隐式构建DAG。示例展示了如何使用Pregel创建单节点图，通过Channel实现数据在节点间的流动。整个架构实现了从底层