LangGraph 的优势
- 持久化层提供了中断和 Action 动作支持（比如在 Loop 中允许人工操控）；
- 持久化层提供了对话级别的记忆和长时间记忆的能力；
- 提供了不同的方式去流式输出 workflow/agent 的输出以及当前的中间状态；
- 提供了丰富的部署、可观测、评价体系支持；
Workflow & Agent 的区别
Workflow & Agent 区别：
- Workflow 是通过预定义的代码路径来协调 LLM & Tools 的系统；
- Agent 是通过 LLM 动态的指导自身的运行过程和 Tool 的使用，最终达成完成任务的目标；
Prompt chaining
通过将任务分解为一系列的步骤，每个 LLM 调用处理前一个 LLM 的输出。中间也可以通过添加 Gate（langgraph 中的 conditional_edge）来进行分支处理。
适用场景：任务可以清晰的分解的情况。
Parallelization
在 Prompt chaining 的基础上，可以同时执行多个 LLM 调用或者 Tool 调用来提高效率。
适用场景：需要同时处理大量数据或任务的情况。
Routing
可以根据用户 input 的特征，将任务分配给最适合的 LLM 或者 Tool。
适用场景：需要根据不同的输入类型采取不同的处理方式。
Orchestrator-Worker
在 Orchestrator-Worker 类型中，一个 Orchestrator LLM 负责分配任务，多个 Worker LLM 或者 Tool 执行具体任务。
适用场景：需要集中控制和分布式执行复杂任务。
Evaluator-optimizer
在 Evaluator-optimizer 架构中，一个 LLM 生成输出，另外一个 LLM 或者 Tool 评估并优化该输出（or 拒绝）。
适用场景：对于需要高质量输出且需要反复改进的任务场景。
Agent
在智能体的场景下，LLM 动态的指导其自身的过程和 Tool 的使用，控制任务的完成方式。
适用场景：需要高度灵活性和自主性的任务。
原始文章：https://langchain-ai.github.io/langgraph/tutorials/workflows/