用途：该技能帮助开发者掌握 LangGraph，构建生产可用的 AI 智能体，强调细粒度控制、检查点、流式输出与复杂状态管理。核心定位是编排框架，同时提供声明式与命令式 API，专注控制力与持久性，而非隐藏复杂度的高层抽象；并提示 LangGraph 取代旧版 AgentExecutor，旧代码应迁移。
主要能力：六项生产特性为并行化、流式输出、检查点（暂停/恢复）、人工介入（审批/纠正）、追踪与任务队列。图架构使用 StateGraph、END，可定义状态、添加节点、设置普通边与条件边后 compile。核心模式包括：带工具的智能体（create_react_agent 搭配 tools 与 MemorySaver，支持 stream）；多智能体协作（supervisor 通过条件边路由到 researcher、analyst、writer 等）；人工介入（SqliteSaver 检查点配合 interrupt() 暂停，用 thread_id 恢复）。
状态管理：短期记忆用 MemorySaver 配合 thread_id 维持会话上下文；长期记忆用 PostgresSaver 持久化。控制流支持条件路由、循环与重试（通过条件边回到节点）、并行执行（START 扇出到多节点再汇聚到聚合节点）。
部署与观测：可用 astream_events（version="v2"）实现流式 UX；节点内做错误处理与回退；通过环境变量开启 LangSmith 追踪（LANGCHAIN_TRACING_V2、LANGCHAIN_API_KEY）。集成示例含 ChatAnthropic、ChatOpenAI 与 MCP 工具。
适用与限制：适合需要精细控制、复杂状态机、人工介入与生产级持久性的场景；若需要托管平台、可视化构建器或更简单 API，资料建议考虑其他方案。最佳实践包括使用检查点、流式输出、关键动作人工审批、条件边路由、并行执行与 LangSmith 监控；避免使用已弃用的 AgentExecutor，勿忽略节点错误处理、thread_id 设置与长对话内存管理。文档：https://langchain-ai.github.io/langgraph/。