Agent Graph-Based Workflows/ 智能体图工作流（状态机式智能体）

图工作流让智能体不再是「一条路走到黑」的线性流水线，而是像地铁换乘图一样——根据当前状态动态决定下一步走哪条路线，能循环、能分叉、能回溯，让复杂任务编排从「写死代码」进化成「画图即编程」。

1. **状态图 vs 链式 DAG**：传统链式工作流（如 LangChain 的 SequentialChain）是严格的有向无环图（DAG），节点按固定顺序执行，无法回头。状态图式智能体（如 LangGraph、Dify 工作流）允许循环边（cycles），可以根据中间结果反复回到之前的节点重新处理，天然适合需要迭代优化、多轮协商和自我修正的任务。

1. **条件路由（Conditional Edges）**：图中每个节点完成后，通过条件边根据输出内容动态选择下一个节点，而不是预先写死顺序。条件边通常由 LLM 调用 + 结构化输出驱动——例如 LLM 判断回答质量低于阈值则路由到「润色」节点，达标则路由到「输出」节点。

1. **全局状态与检查点（State & Checkpoint）**：所有节点共享一个全局 State 对象，每个节点只读写自己关心的字段（类似 Redux reducer）。图引擎在每个「超步」（super-step）后自动保存检查点，支持中断恢复、时间旅行调试（回溯到任意历史状态）和多分支并行探索。

• **测试一：循环退出验证**

• 操作：搭建「写作→评审→修改」三节点循环图，评审节点用 LLM 打分（1-10分），条件边设定 ≥8 分走「输出」、<8 分走「修改」回到写作节点。设置 max_iterations=3 作为硬上限。

• 工具：LangGraph（https://github.com/langchain-ai/langgraph）+ LangSmith 追踪（https://smith.langchain.com）

• 指标：循环退出率（是否在 3 轮内退出）、死循环发生率（0% 预期）、质量收敛速度（第几轮达到 8 分）

• **测试二：中断恢复**

• 操作：执行一个 5 节点长链任务，在第 3 节点执行后手动中断（模拟崩溃），用 checkpoint ID 恢复并继续执行剩余节点。

• 工具：LangGraph 内置 Checkpointer（MemorySaver / SqliteSaver）

• 指标：恢复后最终结果一致性（与未中断执行的结果对比）、状态完整性（恢复后 State 所有字段不丢失）

• **测试三：并行分支汇合**

• 操作：构建「搜索→汇总」图，搜索节点分裂为 3 个并行分支（分别搜 Google/维基/新闻），在汇总节点收集所有结果后再交给 LLM 综合回答。

• 工具：LangGraph 的 Send API 实现 Map-Reduce 并行模式

• 指标：并行加速比（总耗时 vs 串行执行）、分支结果完整收集率（是否有分支超时或丢失）

1. **死循环陷阱**：循环边缺少双重终止条件（最大迭代次数 + 质量阈值），导致 Agent 无限循环消耗 Token。正确做法：为每个循环同时设置 `recursion_limit`（硬上限，LangGraph 默认 25）和业务质量退出条件。

1. **State 膨胀**：长时间运行的图中 State 会不断累积历史消息和中间结果，导致上下文窗口溢出。解决方案：在每个节点结束时对 State 中的消息列表做「滑窗截断」（只保留最近 N 条）或定期触发摘要节点压缩历史。

1. **条件边逻辑过于信任 LLM**：很多开发者让 LLM 直接做路由判断，但 LLM 也会路由错误——特别是在边界情况下。关键分支应增加「置信度检查」：如果 LLM 对路由决策的置信度（可通过 logprobs 或二次验证获得）低于阈值，降级走默认安全路径而非盲目信任。

• LangGraph 官方文档 & 教程: https://langchain-ai.github.io/langgraph/

• Anthropic: Building Effective Agents（定义 6 种智能体工作流模式）: https://www.anthropic.com/engineering/building-effective-agents

• Dify 可视化工作流引擎实战: https://dify.ai/blog/workflow-engine

• LangGraph 平行分支（Map-Reduce）模式详解: https://langchain-ai.github.io/langgraph/how-tos/map-reduce/