LangGraph Workflows 是一项面向 LangGraph 0.2+ 的多智能体工作流编排技能，重点讲解以有向图方式构建有状态、多智能体工作流的生产实践，包括容错、检查点与可观测性。
用途与适用场景：适合构建需要多个智能体协同的多步骤 AI 工作流，例如多智能体代码审查（安全、性能、风格、测试覆盖等智能体）、电商商品信息增强（图像分类、属性抽取、SEO 优化）、客服工单路由（意图识别、优先级评分、坐席分配）、文档处理流水线（OCR、实体抽取、摘要、QA 校验）、研究助手（查询扩展、检索、综合、事实核查）。资料同时说明不适用场景：单智能体任务、无状态 API 调用、简单顺序流水线（可用更简单的 LangChain 方案）。
主要能力：
- 状态管理：工作流在节点间传递共享状态，提供 TypedDict（简单、类型安全）与 Pydantic（校验、复杂逻辑）两种方式；用 Annotated[list[T], add] 让多个智能体向同一列表累加输出，避免节点覆盖。
- 主管-工作者模式：一个 supervisor 节点根据状态路由到专用 worker 节点，worker 完成后返回 supervisor；便于增删智能体、集中协调，并在相互独立时可并行。
- 条件路由：通过条件边按状态动态分支，覆盖顺序、分支、循环重试、多输入汇聚等路由形态，如按质量分决定发布、重试或人工审核。
- 检查点与持久化：使用 MemorySaver（开发）、SqliteSaver 或 PostgresSaver（生产）在每个节点后保存状态，支持崩溃后恢复、interrupt_before 人工介入、逐检查点调试以及避免重复调用昂贵 LLM。
- 与 Langfuse 集成：通过 @observe() 追踪整个工作流和每个节点，记录每个智能体的延迟、token 用量、成本、失败与重试，并在仪表盘查看执行图与各检查点状态。
使用方式：资料给出以 StateGraph 定义状态、add_node 添加节点、add_conditional_edges 设置路由、add_edge 连接节点、set_entry_point 设定入口、compile 编译并用 invoke 执行的流程；可用 get_graph().draw_mermaid_png() 可视化，用 get_state_history 查看检查点，用 stream 逐步执行。还介绍了从 LCEL 链迁移到 LangGraph 图的写法，以及 map-reduce 并行、human-in-the-loop、带退避的重试等常见模式。
最佳实践与限制：建议状态保持扁平、使用 TypedDict、用累加器保存多智能体输出、输入字段不可变；节点尽量为纯函数、幂等、单一职责并返回新状态；节点内做异常捕获、失败进入错误处理、瞬时错误重试并启用检查点；独立任务并行、按需加载、流式输出与缓存；全节点追踪并记录状态变化与成本。资料未提供安装命令、版本依赖细节、收费信息或性能数据。