LangGraph & LangChain

• LangChain 提供了“砖块”：基础设施与生态集成（LLM API 封装、向量库连接器、Prompt 模板、Tool 工具库）。
• LangGraph 提供了“设计图与骨架”：以**状态图（State Machine）**的形式把“砖块”串联，支持复杂逻辑中的循环、暂停、人工干预和重试。

Agent & 大模型 & 工作流框架

$$\begin{array}{rl}大模型+工作流+工具& =智能体\\ \text{LLM}+\text{LangGraph/LangChain}+\text{Tools/Actions}& =\text{Agent}\end{array}$$

• 大模型（LLM） = 大脑（负责意图理解、推理决策、内容生成）
• 工作流框架（LangGraph / LangChain） = 骨骼与神经系统（管理状态、流程控制、记忆维护）
• 工具（Tools / Actions） = 双手与感知器官（网络搜索、代码执行、数据库/API 调用、硬件控制）

Agent & Skill & Harness

关系

• Agent：主体系统。以 LLM 为核心决策单元，结合工作流逻辑、存储和工具，构成能够独立执行任务的完全体。
• Skill：能力封装。为 Agent 提供的特定领域或特定业务场景的标准技术包/操作规程。
• Harness：运行脚手架/底盘系统。包裹在 Agent 外层的支撑环境，提供状态控制、安全隔离、上下文裁剪与异常恢复能力。

Agent

• 本质：大模型 + 工作流框架 (LangChain/LangGraph) + 工具。
• 解决问题：解决单次 LLM 调用缺乏“持久状态”、“复杂多步规划”和“与外部物理世界交互”能力的问题，实现从单纯对话到多步自主完成任务的跨越。

Skill

• 本质：对 Tools 的高阶封装与组合，将特定任务的 Prompt 模板、约束规则、执行脚本（Python/Shell）及配套资源文件组合在一起的标准化能力模块。
• 解决问题：解决普通 API/Tool 粒度过细、缺乏业务逻辑约束的问题，避免复杂的场景规则挤爆 LLM 的上下文，实现业务操作的模块化与高复用。

Harness

• 本质：围绕大模型构建的工程化支撑与控制软件基础设施（软件安全沙箱、上下文管理器、状态持久化引擎等）。
• 解决问题：解决 LLM 容易幻觉、无状态、上下文过载、运行不可控及执行高风险代码（如删库/越权）的问题，保证长流程任务的稳定性、安全性和可恢复性。

执行流程

开发模式：低代码、中代码、高代码

低代码 (Low-Code / No-Code)

• 代表工具：Coze、Dify
• 开发方式：可视化网页拖拽节点与连线（“输入 -> LLM -> 插件 -> 输出”），允许嵌入少量自定义 Code 节点做轻量数据处理。
• 适用场景：快速原型验证、业务人员或非纯后端开发人员。

中代码 (Medium-Code / Framework-level)

• 代表工具：LangChain / LangGraph (Python / TypeScript SDK)
• 开发方式：编写标准代码，调用框架封装好的类（如 StateGraph、ToolNode、PromptTemplate）。
• 核心价值：屏蔽底层状态传递、重试机制、流控等胶水代码，专注业务图逻辑构建。

高代码 (High-Code / Pro-Code)

• 开发方式：直接调用 LLM 原生 API，完全自主编写代码逻辑。
• 具体实现：自行手写 while 运行循环、解析 JSON 工具调用、设计 Session 持久化及异常重试。
• 优缺点：掌控力 100%，但开发与运维基础设施成本极高。

LangGraph 核心机制

• 底层本质：带持久化状态的有向图（Stateful Directed Graph）与状态机。
• 核心四要素：
  1. State（状态）：全局共享的数据结构（通常是 TypedDict 或 Pydantic）。
  2. Node（节点）：具体执行动作的函数（可以是 LLM 请求、Tool 执行，或普通 Python 函数）。
  3. Normal Edge（普通边）：确定的节点跳转关系。
  4. Conditional Edge（条件边/路由）：根据 State 当前值或 LLM 判断，动态决定下一步跳转。
• 解决痛点：解决 LLM 在复杂多轮交互、条件路由（Router）、自我修正（Reflection/Self-Correction）及记忆管理中的非确定性问题。