一句话总结： ChatGPT是自回归文本生成器（System2，负责写句子、长推理）；Jev是单步概率决策器（System1，只做选择/打分，不生成任何文本）
{"result":"A"}，它也要逐个生成JSON里每一个字符，输出越长，步数越多、越慢全称：Society for Worldwide Interbank Financial Telecommunication，中文叫环球银行金融电信协会，大家习惯直接称SWIFT系统。
✅ 关键点：它不是资金清算系统，只是金融报文（指令）传输网络，不实际转账、不保管资金
架构分支起源：2017 年谷歌发布 Transformer，用自注意力机制解决传统 RNN 训练循环依赖、效率低下的问题，后续衍生出 Encoder-Only 的 BERT、Encoder-Decoder 的 T5、Decoder-Only 的 GPT 三大技术分支。
各分支核心贡献：BERT 验证预训练加微调范式的可行性，大幅降低下游任务训练成本；T5 统一所有 NLP 任务的文本输入输出格式，公开大规模语料库 C4，为后续提示词工程打下基础。
GPT 路线探索：OpenAI 先后推出 GPT1 到 GPT3 系列，提出缩放定律、上下文学习等核心结论，证明无需微调仅靠提示词即可完成不同任务，大幅降低任务切换成本。
胜出核心逻辑：Decoder-Only 架构训练样本构造简单，训练与推理目标完全一致，结构精简便于参数堆叠和工程落地，规模扩大后效果随算力投入稳定提升，最终成为通用大模型的主流选择。
LangGraph 运行时底层基于自研的 Pregel 运行时，其核心思想借鉴了 Google Pregel 计算模型，用于组织和执行复杂的图计算流程。
LangGraph和LangChain的版本迭代及定位LangChain 1.x 的定位发生了明显变化：旧式 Chain、Retriever、Memory 等组件被迁移至 langchain-classic；LCEL 保留为 langchain-core 的底层组合机制，但不再是主要开发入口。
add_edge 用于在两个节点之间添加一条有向边。边是图结构中最基本的元素之一，节点之间的执行顺序、分支跳转以及循环控制，最终都依赖节点和边共同表达。
因此，在 LangGraph 中，基础的控制流结构都可以通过 add_edge 进行构建。
示例如下：
from langgraph.graph import StateGraph, START, END
from typing import TypedDict
class OverAllState(TypedDict):
username: str
greeting: str
output: str
def node_a(state: OverAllState) -> OverAllState:
return {
"greeting": "Dear " + state["username"]
}
def node_b(state: OverAllState) -> OverAllState:
return {
"output": state["greeting"] + "，你好！"
}
builder = StateGraph(state_schema=OverAllState)
builder.add_node("node_a", node_a)
builder.add_node("node_b", node_b)
builder.add_edge(START, "node_a")
builder.add_edge("node_a", "node_b")
builder.add_edge("node_b", END)
graph = builder.compile()
res = graph.invoke({"username": "小黄"})
print(res)
from IPython.display import display
display(graph)在工作流、Agent、任务编排系统里，可恢复执行 Durable Execution 指的是：
把一次任务执行过程中的关键进度、状态、结果保存到可靠存储中，使任务可以在中断、失败、等待外部输入后继续执行。
它解决的是“执行过程能否恢复”的问题。
例如：
普通执行：
开始 -> A -> B -> C
如果执行到 B 后程序挂了，重启后可能只能从 A 重新开始。
可恢复执行：
开始 -> A 保存检查点
-> B 保存检查点
-> C
如果执行到 B 后挂了，恢复时可以从已保存的位置继续。LangGraph 提供了两种中断机制：
动态中断：在图的任意节点中调用 interrupt() 函数实现
它可以放在代码的任意位置，并且可以根据应用逻辑设置条件触发，所以是动态的。
动态中断提供了人机交互接口，使得调用者可以人为干预计算图的运行，是业务逻辑的一部分。
静态中断：在编译或调用状态图时通过 interrupt_before 和 interrupt_after 参数设置断点
它是在运行前确定的，不能根据业务逻辑条件触发，所以是静态的。
静态中断主要用于调试，不是业务逻辑的一部分。
流式执行（Streaming Execution），是指程序在任务尚未全部完成时，就将执行过程中已经产生的中间结果、状态变化或事件持续输出给调用方，而不是等待整个任务结束后一次性返回最终结果。
简而言之：流式执行就是
边执行、边产生事件、边向调用方返回结果。
LangGraph的流式执行Pi 是一款极简设计的 AI Agent，核心特点：
支持 Windows、Mac 系统，通过终端执行官方一键安装命令完成部署。
两种方式：API Key（如 DeepSeek、Kimi）或模型订阅（如 OpenAI） 支持多模型切换，可通过快捷键调整模型思考强度，适配不同任务复杂度
一句话核心：HITL 本质是利用 Checkpoint 持久化 + 图执行中断机制，把执行线程暂停，状态完整保存；等外部人工操作后，复用同一个 thread_id 继续推进图的执行，并不是在LLM内部做暂停。
关键点：LangGraph 本身是单线程、步进式执行，不是协程挂起那么神奇；每执行完一个节点，才会判断是否要中断。不能在一个node函数执行中途打断，只能在节点与节点之间的边界暂停。