LangGraph 状态图与持久化

LangGraph 是由 LangChain 官方推出的专为构建复杂、有状态、具备环状循环 (Cycles) 与多智能体协同应用的企业级图状态机编排框架；在 LangGraph 中，整个 Agent 工作流被建模为一张由节点 (Nodes: 具体的 Python 执行函数或 LLM 调用) 和边 (Edges / Conditional Edges: 决定下一个流转节点的路由逻辑) 构成的状态图 (StateGraph)；全局状态通过类型化的模式定义（如 TypedDict / Pydantic `State`）在节点间显式流转更新，并由内建的 Checkpointer 检查点机制在每次状态转移时自动将状态快照持久化至 Postgres/SQLite/Redis 中。

具备人工审核介入 (Human-in-the-Loop) 的企业级业务流程、跨会话长期状态保持、以及包含复杂条件分支与多轮自我修复循环的生产 Agent。

早期基于 DAG (有向无环图，如 LangChain Chains) 的编排框架严格禁止环状依赖，无法原生表达“ReAct 循环”、“反思重试”、“错误纠偏”等不可或缺的闭环循环；LangGraph 支持原生循环图结构，并提供了状态版本快照与任意历史时间点回溯 (Time Travel) 的工程级支撑。

详细剖析 LangGraph 中 `StateGraph` 的核心三要素：Typed State (状态模式与 Reducer)、Nodes (执行算子) 与 Edges (边流转)？

状态 Reducer 机制（如 `Annotated[list, operator.add]`）在实现消息列表增量追加而非全量覆盖中的数学作用？

Checkpointer 检查点持久化机制（MemorySaver / PostgresSaver）如何实现工作流在任意节点崩溃后的断点续跑 (Fault-tolerant Resume)？

Human-in-the-Loop (人工介入审批) 中的 `interrupt_before` / `interrupt_after` 与状态手动编辑重放 (Time Travel) 实现原理？

对比 LangGraph 与 AutoGen、CrewAI 在图控制粒度、确定性流程约束与生产可维护性上的架构差异？