搭建科大讯飞数据处理Agent为什么选择LangGraph框架？

## 作用 选择 LangGraph，主要是因为它更适合支撑复杂数据处理 Agent 的运行时编排需求，而不是只完成一次简单的大模型调用。它可以承担： - **模型调用与测试**：封装 LLM API 调用、错误处理和速率控制。 - **工具注册与路由**：将 Tool、MCP、Skill 等数据处理能力暴露给模型，并接收模型调用。 - **上下文管理**：管理历史消息、上下文压缩、状态 checkpoint。 - **流程控制**：支持顺序、分支、并行、循环和条件中断，适合复杂数据处理链路。 - **错误处理与回退**：便于实现重试、降级、熔断等机制。 - **人工介入 HITL**：支持流程中断、审批和恢复。 - **流式输出与 UI 桥接**：便于对接 SSE、WebSocket 和增量渲染。 - **可观测性**：可与 LangSmith 打通，支持 trace、成本统计、调试和回放。 ## 原理 LangGraph 的核心思想是：**把 Agent 建模成一台显式定义的状态机**。其关键抽象包括： - **State**：贯穿整个执行流程的状态对象，由业务自定义 schema。 - **Node**：图中的节点，每个节点是一个函数，负责读取和写入状态。 - **Edge**：节点之间的连接，可以表示条件、分支和循环。 - **Checkpointer**：状态持久化组件，使流程可以中断、恢复和回放。 因此，在数据处理 Agent 中选择 LangGraph 的原因主要是： - **复杂流程可控**：数据清洗、解析、校验、抽取、入库、异常处理等环节可以通过显式图结构组织，分支和循环更清晰。 - **支持长流程与断点恢复**：通过 checkpoint 持久化状态，任务中断后可以从历史状态继续执行。 - **适合人工审批**：数据处理中遇到低置信度、敏感数据或异常结果时，可以暂停等待人工确认，再恢复执行。 - **便于调试和回放**：支持 time-travel，可回到任意历史状态重新运行，便于排查数据处理问题。 - **多 Agent 编排能力强**：多个处理节点或 Agent 之间的职责、状态流转和依赖关系更容易表达。 - **模型厂商解耦**：不绑定单一模型，适合多模型混合或后续替换模型。 - **可观测性较好**：结合 LangSmith 可以跟踪执行路径、调用成本和异常节点。 - **工程可持续性更强**：相比简单脚本或自研框架，LangGraph 已提供状态管理、持久化、恢复、HITL 等核心能力，减少重复建设。 但它也有成本：概念较复杂，State、Reducer、Channel 等抽象学习曲线较陡；简单任务使用 LangGraph 可能显得过重；MCP、Skill 等能力通常仍需要胶水层集成。因此，它最适合**流程复杂、链路较长、需要人工介入、状态可恢复、多模型或多 Agent 协作**的数据处理场景。