用途
该技能面向使用 LangGraph 构建工作流的场景，帮助选择并实现合适的执行控制方式，包括工作流与智能体模式的选择、并行执行、人工介入中断和流式输出。
工作流与智能体
资料给出了两者的对比：工作流的控制流是固定、预先确定的，可预测性高，适合顺序任务；智能体由模型动态驱动决策，可预测性低，适合开放式问题。示例中给出了 ReAct 智能体模式：模型决定何时调用工具，循环直到结束；工具节点执行最后一条 AI 消息中的工具调用，条件边根据是否存在 tool_calls 决定回到工具节点还是结束。
Send API 并行执行
使用 Send API 将任务扇出到并行 worker，并在后续节点聚合并汇总结果。要点是并行 worker 写入的列表字段必须使用 reducer 进行累加（Python 用 Annotated[list, operator.add]，TypeScript 用 ReducedValue 并配置 reducer），否则结果不会累积。
中断与人在回路
资料区分三种方式：
- interrupt()（推荐）：写在节点代码内部，用于人在回路和条件性暂停，使用 Command(resume=value) 恢复。
- interrupt_before：在编译时设置，仅用于调试，不用于人在回路，用 invoke(None, config) 恢复。
- interrupt_after：在编译时设置，同样仅用于调试。
示例展示在节点中调用 interrupt 携带 action、data、question 等信息，通过结果中的 interrupt 判断是否暂停，再用 Command(resume="approve") 恢复；编译时需要 checkpointer，调用时需要带 thread_id 的 config。
流式输出
支持四种模式：values（每步后的完整状态）、updates（状态增量）、messages（LLM token 与元数据）、custom（用户自定义数据）。custom 模式需在节点内使用 stream writer 发送数据，例如 get_stream_writer() / getWriter()，直接 print 不会被流式输出。多模式可以以列表形式一次性指定。
限制与注意事项
资料明确列出不能配置或容易出错的点：没有 checkpointer 无法使用 interrupt；没有 thread_id 无法恢复；Send API 的消息传递模型不可更改；中断恢复必须使用 Command，直接传普通对象会重新启动图；智能体循环应增加最大迭代次数检查以避免无限循环；自定义流数据必须通过 stream writer 发送。
适用场景
需要并行 map-reduce 处理的工作流、需要人工审核暂停/恢复的流程、需要实时进度或 token 输出的聊天界面等。
语言支持
上述能力均提供 Python 与 TypeScript 两套示例代码。