LangGraph 的核心架构和工作原理是什么？

1. 基于状态图的执行模型

LangGraph 将 Agent 工作流建模为有向图，由节点（Node）、边（Edge）和状态（State）三个基本元素构成。与传统的有向无环图（DAG）不同，LangGraph 的图支持循环，这使得 Agent 可以在多个节点之间反复流转，实现迭代推理、工具调用循环等复杂行为。图的执行采用消息传递算法，受 Google Pregel 系统和 Apache Beam 启发，以离散的"超级步"（super-step）为单位推进：每个超级步中，所有收到消息的节点并行执行，执行完毕后向下游发送更新，下一超级步根据新的消息决定哪些节点继续运行，直到所有节点进入停滞状态。

2. 节点、边和状态的职责分工

节点是图中的计算单元，本质上是接收当前状态、执行操作并返回状态更新的 Python 函数。一个节点可以调用大语言模型、执行工具、查询数据库或运行任意业务逻辑。边定义节点之间的连接和执行顺序，分为无条件边和条件边两种：无条件边表示固定的执行路径，条件边则通过路由函数根据当前状态动态决定下一个节点。状态是一个共享的 typed 数据结构（通常用 TypedDict 或 Pydantic 模型定义），贯穿整个图的执行过程，所有节点都可以读取和写入状态。

3. 编译与执行

LangGraph 使用 StateGraph 类作为主要构建器，开发者依次添加节点、边和检查点配置后，调用 .compile() 方法将图编译为可执行对象。编译过程会进行结构校验（如检测孤立节点），并将运行时参数（如 checkpointer、断点配置）绑定到图中。编译后的图实现了 Runnable 接口，支持 invoke()、stream()、ainvoke()、astream() 等多种调用方式。

4. 与 LangChain 生态的关系

LangGraph 虽然可以与 LangChain 深度集成，利用其丰富的模型和工具组件，但它并不依赖 LangChain，可以独立使用。在 LangChain 的产品体系中，LangChain 提供模型和工具的抽象与集成，LangGraph 负责编排运行时（持久执行、流式输出、人机协同），LangSmith 提供追踪、评估和部署平台，三者各司其职又无缝协作。