LangGraph 是如何让LLM产生确定性输出的？
💡
原文中文，约22200字，阅读约需53分钟。
📝
内容提要
LangGraph 通过有向图模型解决 LLM 的幻觉问题，支持循环、状态管理和人机协作，适用于金融等高风险领域，确保输出的确定性和自动回退功能。
🎯
关键要点
- LangGraph 通过有向图模型解决 LLM 的幻觉问题，确保输出的确定性和自动回退功能。
- 在金融或精密计算领域，不确定性意味着风险，开发者希望 LLM 在处理相同数据时逻辑推导链条严密。
- LangGraph 支持循环、状态管理和人机协作，适用于复杂的长对话或多步骤任务。
- LangGraph 引入了 State 的概念，所有节点共享同一个 TypedDict，精确定义数据的追加和覆盖。
- LangGraph 允许在某处强制停下，等待人类信号后再继续，增强人机协作能力。
- LangGraph 的结构包括全局状态、节点和边，节点接收当前状态并返回更新后的状态。
- LangGraph 通过条件边动态决定下一步的节点，增强工作流的灵活性。
- LangGraph 通过 Checkpointer 实现状态的持久化，支持多轮记忆和状态恢复。
- LangGraph 设计了 Super-step 作为原子循环单元，自动保存检查点以便恢复执行。
- LangGraph 支持人机协同，通过中断和持久化机制实现关键时刻的人工审核。
- LangGraph 实现了多种执行范式，包括 ReAct、Plan-and-Solve、Reflection 和 Multi-Agent 模式。
- ReAct 模式结合推理与行动，形成思考-行动-观察的循环。
- Plan-and-Solve 模式将任务处理分为规划和执行两个阶段，确保任务的有序进行。
- Reflection 机制引入自我校正循环，使智能体能够审视自己的工作并进行优化。
- Multi-Agent 模式将复杂任务拆解为多个专门化的微服务，提升任务处理效率。
