用途：该技能面向 LangGraph 工作流的执行控制，帮助在固定路径的工作流与模型驱动的智能体之间做选择，并实现并行执行、中断与流式输出。
主要能力：
- 工作流与智能体：工作流控制流固定、可预测性高，适合顺序任务；智能体由模型动态决策，适合开放式问题。示例给出 ReAct 模式：模型决定何时调用工具，循环直到结束。
- Send API：用于扇出到并行 worker（map-reduce），在编排节点中为每个任务返回 Send("worker", {...})，并用 reducer（Python 的 Annotated[list, operator.add]、TypeScript 的 ReducedValue）累积并行结果。
- 中断（人机协同）：推荐在节点代码内使用 interrupt()，条件暂停后用 Command(resume=value) 恢复；interrupt_before / interrupt_after 为编译期断点，仅用于调试，不适合 HITL，恢复用 invoke(None, config)。
- 流式：values 输出每步完整状态，updates 输出状态增量，messages 输出 LLM token 与元数据，custom 输出用户自定义数据（需用 get_stream_writer() / getWriter() 写入）。
使用方式：定义 State（含 reducer）、构建 StateGraph、添加节点与条件边、compile 时传入 checkpointer；调用 graph.invoke 或 graph.stream，流模式可传列表如 stream_mode=["updates", "messages"]。
限制：中断必须配合 checkpointer，恢复必须提供 thread_id；Send API 的消息传递模型不可更改；custom 模式必须使用 stream writer，print 不会被流式输出；建议在条件函数中加入最大迭代次数检查以避免无限循环。