LangGraph

大模型本身只负责根据输入 Token 预测下一个 Token，Sub-agent、工具调用和任务编排更多依赖客户端或 Agent 框架的工程能力。对 AI 编程开发者而言，复杂任务的关键不在模型分身，而在上下文隔离、工具封装与状态调度。

AI Agent 框架选型不能只看谁更能回答问题。本文以制度查询助手为例，拆解 LangChain、LangGraph、LlamaIndex 在调用组织、状态控制、检索与可维护性上的边界。

LangGraph 的 Command 与 Send 将 Agent 流程控制从静态分支推向动态调度。本文围绕并行执行、Map-Reduce 派发与 InvalidUpdateError 等实践问题，梳理这一机制的应用边界。