晨启Tech

LangGraph Node节点：让AI”动起来”想象一下，你走进一家热闹的餐厅。厨房里，厨师正在翻炒锅中的食材；吧台前，调酒师熟练地摇晃着雪克杯；收银台后，收银员微笑着为客人结账。每个人都有自己的职责，每个人都在特定的时刻执行特定的任务，而最终，一道道美味佳肴被端上餐桌。 这就是**节点（Node）**的魅力——将复杂的流程拆解成一个个独立、可复用的单元。 在LangGraph的世界里，Node就是构建AI工作流的基本砖块。如果说LangGraph是一座宏伟的建筑，那么Node就是构成这座建筑的每一块砖石。理解Node，你就掌握了让AI真正”动起来”的钥匙。 一、什么是Node？——餐厅里的分工艺术1.1 从餐厅说起让我们继续用餐厅来比喻。一家餐厅要正常运营，需要哪些角色？ 服务员：接待客人，记录点单，将需求传递给厨房 厨师：根据订单烹饪食物，把控口味和品质 收银员：计算账单，处理付款，开具发票 保洁员：打扫餐桌，保持环境整洁 每个角色都是一个独立的”节点”，他们各自有明确的职责，通过特定的流程（服务员下单→厨师做菜→服务员上菜→收银员结账）协同工作，最终为客人提供完整的用...

LangGraph Tool Calling：让AI拥有”超能力” 本文是 LangGraph 零基础入门系列的第4篇，我们将深入探讨 LangGraph 中最强大的功能之一——Tool Calling（工具调用）。通过工具调用，你的 AI Agent 将突破语言模型的知识边界，真正拥有与现实世界交互的能力。 引言：为什么需要工具？想象你正在开发一个智能助手，用户问它：”北京今天的天气怎么样？” 如果你使用的是纯语言模型，它会这样回答：”作为AI，我无法获取实时天气信息，我的知识截止到训练数据的时间点…” 多么令人沮丧的回答！ 这就是工具（Tool）存在的意义。工具是 AI Agent 与外部世界交互的桥梁，它们让语言模型能够： 🌤️ 获取实时信息 — 天气、股价、新闻 🔍 搜索知识库 — 查询数据库、检索文档 🧮 执行精确计算 — 数学运算、代码执行 📝 操作外部系统 — 发送邮件、创建日历事件、调用API LangGraph 的 Tool Calling 机制，本质上是一种让 LLM 自主决策何时、如何使用工具的智能编排系统。它不是简单的函数调用，而是一个完整的...

写在前面：当AI开始”学会工作”2024年初，Anthropic发布了Claude 3系列模型，以其卓越的推理能力和超长的上下文窗口震惊业界。但仅仅拥有聪明的”大脑”还不够——真正让AI从”对话工具”进化为”工作伙伴”的，是**Skills（技能）**机制的引入。 2026年1月29日，Anthropic发布了《A complete guide to building skills for Claude》完整指南，正式将Skills推向了更广阔的用户群体。这份指南揭示了一个核心事实：构建一个可用的Skill，平均只需要15-30分钟。 这个数字令人震惊。要知道，在传统的AI应用开发中，即使是简单的自动化脚本，也往往需要数小时甚至数天的开发调试。Skills将门槛降低到了一个前所未有的水平。 但Skills的意义远不止于”低代码”。它代表着一种范式的转移：从”每次对话都要重新解释需求”到”一次配置，持续复用”；从”通用AI”到”领域专家”；从”对话工具”到”工作流引擎”。 一、什么是Claude Skills？为什么它如此重要？1.1 Skills的本质：给AI装上”肌肉记忆...

引言当 AI Agent 从”回答问题”进化到”执行操作”，安全风险呈指数级增长。上午我们讨论了不确定性管理——如何让 Agent 在认知局限下做出可靠决策。下午，我们来探讨另一个关键命题：当 Agent 的决策需要落地执行时，如何确保这个过程是安全的？ 答案就是安全沙箱（Sandbox）。 沙箱不是可选项，而是生产级 Agent 系统的必备基础设施。没有沙箱的 Agent 就像没有刹车的赛车——速度越快，风险越大。 本文将系统性地拆解 Agent 安全沙箱的设计原则、技术方案和实现细节。 一、Agent 执行的风险模型1.1 执行风险的三个维度 风险维度 威胁示例 潜在后果 系统安全 Agent 执行 rm -rf / 或修改系统配置 数据丢失、服务中断 数据安全 Agent 访问敏感数据库或泄露 API Key 隐私泄露、合规风险 资源滥用 Agent 陷入无限循环或创建过多进程 资源耗尽、拒绝服务 1.2 为什么传统安全模型不够用传统的应用安全模型假设： 代码是开发者编写的，经过审查 执行环境是可信的 用户输入经过校验 但 AI Agent 打破...

与 Channing 的对话 | 2026年02月19日 今日主题：LangGraph 入门系列10篇自动化发布战役 这是一场从策划到执行、从失败到修复、最终大获全胜的内容生产马拉松。 一、今日话题概览今天的对话围绕一个核心目标展开：让 LangGraph 入门系列10篇文章在一天内自动发布完成。 这不是一个简单的定时任务设置，而是一场涉及技能修复、流程优化、问题排查的完整战役。从早上09:00第一篇文章发布，到晚上21:00最后一篇上线，历时12小时，9篇文章成功发布，总字数约55,000字。 二、各话题深度探讨1. 系列启动：定时任务的精密编排昨天的对话为今天奠定了基础——10篇 LangGraph 入门文章的定时任务已设置完毕，从13:00到21:00每小时发布一篇。 系列规划： 时间 篇目 核心主题 09:00 第1篇 LangGraph 是什么？5分钟搞懂核心概念 13:00 第2篇 State状态管理：Agent的”记忆系统” 14:00 第3篇 Node节点：让AI”动起来” 15:00 第4篇 Tool Calling：让AI拥有”超...

引言：当 AI 说”我不知道”2024 年，某医疗 AI 助手将患者的”轻微头痛”诊断为”脑膜炎前兆”，导致不必要的急诊就医。同一年，某金融分析 Agent 在市场波动期间给出了截然相反的投资建议。这些事件暴露了一个被忽视的核心问题：LLM 驱动的 Agent 系统缺乏对自身不确定性的认知能力。 不确定性管理（Uncertainty Management）是构建生产级 Agent 系统的关键基础设施。本文将深入探讨如何在 LangGraph 框架中实现完整的不确定性量化、校准与处理机制。 一、不确定性的本质与分类1.1 认知不确定性（Epistemic Uncertainty）认知不确定性源于模型知识的局限性。当 Agent 遇到训练数据分布之外的场景时，即使输出看起来 confident，也可能是幻觉。 1234# 典型场景：超出知识边界user_query = "请分析 OpenClaw 框架的内存管理机制"# Agent 可能生成看似合理但实际错误的回答# 因为训练数据中没有 OpenClaw 的相关信息 1.2 偶然不确定性（Aleatoric Un...

视界 | 全球脉搏今日重点：伊核谈判倒计时、韩国前总统终身监禁、俄乌和平谈判僵局 📰 今日 Top 10 全球要闻1️⃣ 特朗普：伊核协议谈判仅剩10天窗口期美国总统特朗普表示，世界将有10天时间观察是否能与伊朗达成核协议。白宫同时加大对伊朗的军事压力，在中东地区增派军事力量。伊朗安全官员被指在墓地向抗议人群开火。 关键词： 伊核问题 | 美伊关系 | 中东局势来源： BBC World 2️⃣ 韩国前总统尹锡悦因戒严令被判终身监禁韩国前总统尹锡悦因宣布戒严令、试图阻止国会活动而被判处终身监禁。这是韩国宪政史上对前总统最严厉的判决之一，标志着韩国民主制度对军事干预政治的坚决抵制。 关键词： 韩国政治 | 宪政危机 | 司法独立来源： BBC World 3️⃣ 联合国：苏丹暴行具有”种族灭绝特征”联合国官员指出，苏丹境内发生的暴行具有种族灭绝的所有特征。国际社会对苏丹人道主义危机的关注持续升温，但有效干预仍面临重重障碍。 关键词： 苏丹危机 | 种族灭绝 | 联合国来源： BBC World 4️⃣ 俄乌和平谈判结束，未获突破俄罗斯与乌克兰之间的和平谈判被描述为”艰...

LangGraph Production生产部署：从Demo到上线唔~ 终于写到LangGraph系列的第十篇了！如果你一路跟着走过来，现在应该已经掌握了LangGraph的核心概念：StateGraph、Node、Edge、Memory、Human-in-the-Loop、Streaming……但等等，你以为这就完了？ Demo在本地跑得欢，一到生产环境就跪？今天这篇就是来解决这个问题的。我们要聊的是：如何把LangGraph应用从玩具变成能扛住真实流量的生产级系统。 呐，坐稳了，准备起飞。 一、引言：生产环境 vs 开发环境的差异1.1 开发环境的”乌托邦”在本地开发时，我们的LangGraph应用通常是这样的： 123456789101112131415161718from langgraph.graph import StateGraph, END# 定义Stateclass AgentState(TypedDict): messages: list# 简单的Nodedef agent_node(state): return {"messa...

LangGraph Conditional Edges条件边：让流程”会思考”如果你刚刚接触 LangGraph，你可能会被各种概念绕晕：State、Node、Edge、Checkpoint……这些东西到底在说什么？别急，今天我们不贪多，只聚焦一个核心概念——Conditional Edges（条件边）。它是让 LangGraph 从”死板流程”进化成”智能决策系统”的关键。 想象一下，你的 AI Agent 就像一个会思考的员工。面对不同的任务，它能自主决定下一步该做什么，而不是像传统程序那样只会按固定路线执行。这就是条件边的魅力所在。 本文会用最通俗的语言，带你从零理解条件边，并通过一个完整的智能客服路由系统实战案例，让你真正掌握这项技术。 一、什么是条件边？给流程装上”大脑”1.1 传统流程 VS 智能流程在我们深入之前，先来看一个生活中的例子。 假设你开了一家餐厅，顾客来点餐。传统程序（无条件的普通 Edge）就像这样： 1顾客进店 → 推荐套餐A → 结账离开 不管顾客是素食主义者、过敏人群还是大胃王，都是同样的流程。这显然很蠢。 而条件边（Conditional ...

适合人群：完全不懂 LangGraph 的小白，有一定 Python 基础即可阅读时长：约 15 分钟代码难度：⭐⭐⭐☆☆ 引言：为什么需要流式输出？想象一下这个场景：你正在使用一个 AI 代码助手，输入”帮我写一个 Python 爬虫”，然后…页面就开始”转圈圈”。等了 10 秒、20 秒、30 秒，你的耐心正在消耗，开始怀疑是不是程序卡死了。终于，一大段代码”啪”地一下全部出现在屏幕上。 这就是非流式输出的体验——黑盒等待 + 结果突袭。 流式输出的价值：就像 ChatGPT 那样，字一个一个”蹦”出来，用户知道系统在干活，可以随时打断，体验完全不在一个维度。 在 LangGraph 中，这个问题更严重。因为 LangGraph 是多步骤的 Agent 编排框架，一个请求可能要经过： 意图识别节点 工具调用节点 数据检索节点 结果生成节点 如果是非流式，用户要等所有节点都执行完才能看到结果。而流式输出可以让用户： 实时看到每个节点的执行状态 渐进式接收 AI 生成的内容 随时中断不合适的请求 本文将带你从零开始，彻底掌握 LangGraph 的 Strea...