1. 傳統 AI 的困境與 LangGraph 的破局 [1]

thumbnail 本節探討了傳統 AI 在可靠性和靈活性之間的矛盾，以及 LangGraph 如何透過引入圖架構來解決這些問題。

1.1. Agent 的演進與傳統 AI 的局限 [8]

  1. 大型語言模型（LLM）的優勢與不足 [9]
    1. 2022 年底 GPT 剛推出時，展現出極高的智慧，能寫詩、寫論文、寫程式碼，令人驚嘆 [10]。
    2. 然而，LLM 在實際應用中存在兩個明顯的短板 [11]：
      1. 無法存取外部資料：模型僅擁有訓練時的記憶，無法獲取即時資訊，例如查詢天氣或企業內部資料庫 [12]。
      2. 缺乏行動規劃能力：標準 LLM 僅是輸入輸出模型，無法獨立完成複雜的長流程任務 [13]。
  2. Agent 的誕生與發展階段 [15]
    1. 為了彌補 LLM 的不足，智能體（Agent）應運而生，它為 LLM 裝上了「手腳」（工具）和「眼睛」（感測器），使其能夠思考並行動 [15]。
    2. Agent 的實現經歷了兩個階段 [17]：
      1. 第一階段：鏈式控制（Chain） [18]
        • 特點是單向、固定的線性流程，類似傳統程式碼，所有步驟預先設定 [19]。
        • 優點是可靠性高，因為嚴格按照既定路線執行，不易出錯，就像「鋪好的鐵軌，火車必須沿著鐵軌走，絕對不會出軌」 [19]。
        • 缺點是靈活性太差，現實業務邏輯複雜多變，若要窮舉所有突發情況，需寫大量條件判斷，難以維護 [20]。
      2. 第二階段：完全自主的 Agent [21]
        • 為了改善靈活性，業界嘗試將控制權完全交給大型模型，讓它自主決定下一步行動 [20]。
        • 這帶來了極高的靈活性，能處理開放性問題 [23]。
        • 但隨之而來的是穩定性差，即不可控 [23]。

1.2. 核心矛盾：可靠性與靈活性的兩難 [24]

  1. 傳統 AI 面臨的矛盾 [24]
    1. 在「人類對系統的控制程度」與「系統表現」的座標圖中，靈活性（自主性）與可靠性是相互衝突的 [25]。
    2. 純程式碼或固定鏈（Chain）：人類有絕對控制權，可靠性滿分，但靈活性幾乎為零，遇到未預設情況就會失敗 [29]。
    3. 完全自主的 Agent：靈活性很高，能處理開放性問題，但可靠性直線下降，導致在企業落地時難以控制，可能陷入死循環、產生幻覺或胡亂操作，風險極高 [30]。
  2. LangGraph 如何破局 [34]
    1. LangGraph 的核心價值在於它不只是在現有曲線上妥協，而是直接改變了遊戲規則，將降低的可靠性曲線硬生生推了上去 [34]。
    2. 它採用混合架構 [36]：
      1. 對於必須嚴謹、容錯率低的關鍵步驟，仍使用硬編碼方式鎖定，確保絕對可靠 [37]。
      2. 對於需要發揮 AI 創造力或推理能力的環節，則將控制權交給大型模型 [38]。
    3. 這種方式打破了傳統魔咒，在保持高度自主性的同時，透過架構層面的約束，將系統可靠性提升到很高水準，實現了「魚與熊掌在一定程度上兼得」 [39]。
    4. 這就是 LangGraph 重新定義 Agent 開發的原因 [40]。

2. LangGraph 的底層邏輯：從鏈到圖的思維轉變 [41]

thumbnail

本節深入探討 LangGraph 如何透過圖架構實現自我修正能力，並介紹其三大核心概念：狀態、節點和邊。

2.1. 圖架構：實現自我修正的基石 [41]

  1. 傳統鏈式結構的痛點 [41]
    1. 傳統的鏈（Chain）在電腦科學中也稱為有向無環圖（DAG），其特點是單向直線，無法回頭 [42]。
    2. 最大的痛點是無法回頭：如果 AI 在第一步就出錯，鏈式結構沒有機制讓它「退回去重新做一下」，只能將錯誤資料傳遞給下一步，最終導致整個任務失敗 [44]。
  2. LangGraph 的圖架構與循環 [46]
    1. LangGraph 採用網狀的圖架構，允許循環（cycle）的存在 [46]。
    2. 循環是智能的基石：人類解決問題從來不是一條路走到底，而是不斷嘗試、失敗、反思、修改方案、再嘗試 [49]。
    3. LangGraph 的核心能力就是允許定義這種有向有環圖，讓 Agent 在達成目標之前，具備不斷自我修正的能力，這是它與傳統 Long Trend 最大的區別 [51]。

2.2. LangGraph 的三大核心概念 [53]

  1. 狀態（State）：Agent 的核心與記憶 [53]
    1. 傳統 Chain 傳遞資訊像「傳聲筒遊戲」，鏈路一長資訊容易丟失或混亂 [55]。
    2. 在 LangGraph 中，State 是一個共享的全局資料結構，可想像成「教室裡的黑板」 [56]。
    3. 它具備嚴謹的模型定義（Schema），並支援增量更新，每個步驟都在黑板上寫新資訊 [56]。
    4. 即使中間出錯，由於有完整的狀態記錄，可以輕鬆溯源 [58]。
    5. 狀態保證了無論流程多複雜，Agent 永遠知道「我是誰，我在哪裡，我要幹什麼，發生了什麼」 [59]。
  2. 節點（Node）：執行具體動作的單元 [60]
    1. 節點是圖上的「圈」，本質是執行具體動作的單元，非常靈活 [60]。
    2. 它可以是負責思考的 Agent、負責執行任務的 Function（如查天氣、讀資料），甚至是代表人類介入的審核步驟 [60]。
    3. 運行規則是：接收當前 State（看黑板），執行任務，然後將結果更新回 State（寫回黑板） [60]。
  3. 邊（Edge）：連接節點的控制流神經 [61]
    1. 邊連接節點，代表控制流的「神經」 [61]。
    2. 邊分為兩種 [61]：
      1. 普通邊：確定的路線，跑完 A 就去跑 B [61]。
      2. 條件邊：這是 LangGraph 真正發揮作用的地方，它就像圖裡的「路由器」 [62]。
        • 在這裡引入大型模型，讓它觀察當前狀態，然後由它來決定下一步該走哪條路（例如，是去查資料還是直接回答用戶） [64]。
    3. 總結來說，狀態負責記憶，節點負責幹活，策略（條件邊）負責決策，三者結合構成了 LangGraph 強大的圖結構 [65]。

3. LangGraph 的實用設計模式 [66]

thumbnail

本節介紹了四種最通用且核心的 LangGraph 設計模式，涵蓋了目前 90% 的 Agent 設計場景。

3.1. 四種核心設計模式 [66]

  1. 觸發循環模式：所有 Agent 的雛形 [68]
    1. 邏輯清晰：用戶輸入問題，LLM 節點思考判斷是直接回答還是需要工具 [69]。
    2. 如果需要工具，則進入工具節點（例如查詢資料庫或呼叫 API） [71]。
    3. 關鍵點：工具執行完畢後，結果不能直接給用戶，因為通常是原始資料（如 JSON），用戶看不懂 [72]。
    4. 必須將結果指回給 LLM 節點，讓 LLM 結合上下文將資料整理成「人話」，再回饋給用戶，形成一個最簡單的圖循環 [73]。
  2. 記憶保持與持久化模式：斷點續傳能力 [74]
    1. 在生產環境中非常重要，避免 Agent 像「金魚記憶」一樣忘記之前的對話 [74]。
    2. LangGraph 提供了 checkpoint 機制：在圖的每一步執行完畢後，系統會自動將當前狀態拍下快照並儲存在資料庫中 [76]。
    3. 這賦予了 Agent 斷點續傳的能力：即使伺服器當機重啟或用戶隔了一週再回來，Agent 也能憑藉 ID 找回昨天的記憶，從停止的地方繼續思考 [77]。
  3. 人機協同模式：解決信任問題的殺手級功能 [79]
    1. 這是區別於其他框架的獨特功能，許多企業客戶非常看重 [79]。
    2. 對於高風險操作（如發送郵件或資金轉帳），不希望 AI 完全自主，需要人類作為「守門員」 [80]。
    3. 設計邏輯：AI 生成內容後，流程會運行到預設的斷點，LangGraph 會自動暫停 [81]。
    4. 系統會通知人類管理員，人類可以選擇 [82]：
      1. 批准流程繼續：例如發送郵件 [82]。
      2. 直接修改 State 內容：修改後再放行 [82]。
    5. 這種模式完美解決了 AI 落地中的信任問題，利用 AI 的高效率處理繁瑣工作，同時將最終決策權和責任保留在人類手中 [83]。
  4. 多智能體協作模式：Agent 發展的終極形態 [85]
    1. 單一 LLM 難以同時扮演所有角色（如寫程式碼、測試 Bug、當產品經理） [86]。
    2. 可以設計不同的節點（Node），例如 Node A 專門負責寫程式碼，Node B 負責運行測試 [87]。
    3. 在邊（Edge）上定義規則：如果 Node B 測試失敗，就畫一條紅線，回到 Node A 讓它重寫 [88]。
    4. 透過圖的連接，可以構建一個分工明確、自我修正的虛擬軟體開發團隊 [89]。

4. 總結與展望 [90]

thumbnail

本節回顧了 LangGraph 的核心價值和概念，並展望了 AI 應用開發從提示詞工程向流程工程的轉變。

4.1. LangGraph 的核心價值與概念回顧 [90]

  1. LangGraph 的出現打破了可靠性與靈活性的兩難 [91]
    1. 從死板的鏈式結構到完全不可控的自主 Agent，傳統方法都面臨困境 [91]。
    2. LangGraph 透過引入圖架構，解決了這個「不可能兩全」的魔咒 [91]。
  2. 支撐 LangGraph 的三大核心概念 [92]
    1. State（狀態）：負責記憶 [92]。
    2. Node（節點）：負責行動 [92]。
    3. Edge（邊）：負責決策 [92]。
  3. 基於圖架構實現的 Agent 能力 [93]
    1. 具備循環修正能力 [94]。
    2. 能斷點續傳 [94]。
    3. 支援人機協同 [94]。
    4. 這些能力使得開發出生產級 Agent 成為可能 [94]。

4.2. 從提示詞工程到流程工程的轉變 [95]

  1. LangGraph 的出現意味著我們正式從提示詞工程（Prompt Engineering）穿越到了流程工程（Workflow Engineering）的時代 [95]。
  2. 未來在開發 AI 應用時，不應只專注於優化提示詞，而應更多地思考如何設計一套嚴密可控、能自我修正的業務流程 [96]。
  3. 鼓勵大家親自動手嘗試使用 LangGraph，構建出真正可用的智能體 [97]。