langgraph-development

name	langgraph-development
description	专业的LangGraph AI应用开发技能，提供从概念到生产的完整开发指导。基于Context7最新调研，涵盖StateGraph设计、多代理协作、RAG系统实现、生产部署等核心场景。使用此技能构建有状态、多参与者、长期运行的AI代理应用。

LangGraph开发技能

本技能提供构建、管理和部署LangGraph AI应用的comprehensive指导，基于Context7对最新LangGraph生态系统的深度调研。

使用场景

在以下情况下使用此技能：

• 需要构建有状态的多代理AI应用
• 设计复杂的AI工作流和决策流程
• 实现RAG（检索增强生成）系统
• 构建多Agent协作系统（Supervisor、Swarm模式）
• 需要持久化执行和人机协作功能
• 从开发到生产的完整部署流程
• 性能优化和监控调试需求

核心概念和架构

LangGraph核心特性

• 低级编排框架：用于构建、管理和部署长期运行的有状态代理
• 持久化执行：支持检查点、状态恢复、容错处理
• 综合内存管理：短期记忆、长期记忆、上下文窗口优化
• 人机协作：审批流程、干预机制、交互式决策
• 生产就绪部署：企业级稳定性、可扩展性、监控能力

核心API组件

• StateGraph：状态驱动的图结构
• MessageGraph：消息传递图
• CompiledGraph：编译后的可执行图
• CheckpointSaver：状态持久化（支持MySQL、Redis、PostgreSQL）
• 节点类型：LLM节点、工具节点、条件节点、自定义节点

开发工作流程

1. 设计阶段

   • 使用scripts/design_workflow.py设计应用架构
   • 参考references/architecture_patterns.md选择合适的架构模式
   • 使用assets/diagrams/中的流程图模板进行可视化

2. 实现阶段

   • 使用scripts/generate_template.py生成项目模板
   • 参考references/api_reference.md进行API调用
   • 遵循references/best_practices.md中的编码规范

3. 测试阶段

   • 使用scripts/test_agent.py进行单元测试
   • 使用langgraph-studio进行本地调试
   • 集成LangSmith进行监控和评估

4. 部署阶段

   • 使用assets/templates/production_ready/中的部署配置
   • 参考references/deployment_guide.md进行生产部署
   • 使用scripts/monitor.py进行性能监控

资源组件

Scripts（可执行工具）

• scripts/setup_environment.py：环境配置和依赖安装
• scripts/generate_template.py：项目模板生成器
• scripts/checkpoint_analyzer.py：检查点分析和状态管理工具
• scripts/performance_monitor.py：性能监控和优化工具
• scripts/test_agent.py：代理测试和验证工具
• scripts/deploy_helper.py：部署辅助脚本

References（参考资料）

• references/architecture_patterns.md：架构模式和设计模式参考
• references/api_reference.md：API速查手册和示例
• references/best_practices.md：最佳实践和编码规范
• references/troubleshooting.md：故障排查和问题解决指南
• references/use_cases.md：使用案例和实战项目分析
• references/deployment_guide.md：部署指南和生产环境配置

Assets（资源文件）

• assets/templates/：完整的项目模板
  • basic_agent/：基础代理模板
  • rag_system/：RAG系统模板
  • multi_agent/：多代理系统模板
  • production_ready/：生产就绪模板
• assets/diagrams/：架构图和流程图
• assets/config_files/：配置文件模板
• assets/example_projects/：示例项目和演示代码

常见应用模式

RAG系统实现

使用LangGraph构建增强型检索生成系统：

• 集成向量存储和文档检索
• 实现上下文管理和答案生成
• 支持多轮对话和状态保持

多Agent协作

实现复杂的代理协作模式：

• Supervisor模式：中央代理协调多个专业化代理
• Swarm模式：动态代理切换和控制交接
• ReAct模式：推理-行动循环代理

生产级应用

构建企业级AI应用：

• 容错处理和错误恢复
• 性能监控和日志管理
• 可扩展架构和负载均衡

技能使用流程

1. 需求分析：明确应用场景和功能需求
2. 架构设计：选择合适的架构模式和组件
3. 快速原型：使用模板生成基础代码
4. 功能实现：基于参考文档开发核心功能
5. 测试验证：使用测试工具验证功能正确性
6. 性能优化：使用监控工具优化性能
7. 生产部署：使用部署工具进行生产环境配置

注意事项

• 确保Python 3.8+环境并安装必要的依赖
• 推荐使用虚拟环境进行项目隔离
• 生产环境需要考虑安全性和性能优化
• 定期更新LangGraph版本以获得最新功能
• 使用LangSmith进行生产环境的监控和调试