LangGraph

LangGraph 提供了一种结构化方法来构建 Python 中的智能代理工作流，通过状态、节点和边的组合实现可追踪的执行流程。

本文详解使用Python和LangGraph构建多智能体AI系统，对比框架与无框架实现的差异，强调本地运行的低成本优势。

本地优先AI代理通过LangGraph和子代理实现复杂任务编排，提升响应效率。

通过 Pipecat 框架，可在几分钟内将 LangGraph 代理转换为语音代理，适用于现有代理的多模态扩展。

本文介绍了如何使用 Playwright 和 LangGraph 构建能够与真实网站交互的 AI 代理，适用于没有 API 的场景。

《Deep Agents 实战》教程系统讲解 LangChain 生态下的 Agent 开发三层架构，提供虚拟文件系统、子 Agent 和 Skills 等实战内容。

《Deep Agents 实战》教程基于 LangChain / LangGraph 生态，讲解如何使用 Deep Agents 构建真实应用，重点介绍虚拟文件系统、任务规划、子 Agent 和 Skills 复用。

可观测性对于智能代理是必不可少的，需结合 LangGraph 和 LangSmith 工具实现。

AWS Machine Learning Blog 文章介绍了如何使用 Amazon Bedrock AgentCore 构建业务支持的 AI 代理，通过案例展示了成本降低和效率提升。

LangChain提出Agent开发生命周期（ADLC），将智能体开发划分为构建、测试、部署、监控四个阶段，强调其与传统软件开发的本质差异在于输入输出空间的无限性和非确定性，成功团队的核心模式是"早发布、快迭代"。

OncoAgent是一个开源的隐私保护肿瘤临床决策支持系统，结合了双层LLM架构和LangGraph拓扑，显著提升了决策支持系统的性能和安全性。

数据科学已进入“智能体时代”，核心转变在于从手动执行程序化任务转向对自主 AI 智能体的评估与监督。AI 智能体通过“感知-推理-行动-评估”的循环，能够独立完成数据清洗、探索性分析（EDA）和模型调优，使数据科学家的角色从“如何实现”的执行者转变为“是否正确”的决策者。

构建 AI Agent 应遵循四个成熟度层级：先用框架快速验证，再用状态机定制逻辑，通过看板优化交互，最后部署云端。避免盲目跟风，应根据实际需求从简单到复杂逐步演进。

LangChain的Deep Agents具备持久化执行功能，每一步都会进行检查点记录，确保可观测性、容错性和人机交互。DeltaChannel解决了长期运行代理的存储扩展问题。

LangChain推出基于代理的RFP处理系统，通过四个自动化代理提升响应效率，集成LangGraph和LangSmith技术。

Leve 是一个基于 LangGraph 的文件系统优先的持久化代理框架，通过目录结构定义代理并编译运行。

GPT Researcher 是基于 deepagents 的高性能开源工具，简化了深度研究代理的构建。

通过pipecat_ai工具可将LangGraph代理快速转换为语音代理，LangSmith支持全流程追踪。

文章推荐了一门关于代理AI的课程，涵盖LangChain、LangGraph等工具，但内容信息密度较低。

Odessia 是一个由 LangChain 技术支持的 AI 驱动的旅行代理，允许用户通过一次对话规划和预订整个行程。