LangGraph 状态机 + checkpoint 白板稿

面试素材 / 白板准备。对应改进报告「准备 LangGraph 状态机 + checkpoint 白板稿」。 白板时按本稿顺序画即可。

1. 最小状态图（边画边讲）

   START
     │
     ▼
 [research]  ──节点：调用 LLM 产出要点──► 写入 state["research"]
     │
     ▼
  [gate]     ──节点：interrupt 暂停，等人工 approve──►
     │                                                          │
     ▼ (resume="yes")                                          │
 [summarize]  ──节点：基于要点写总结──► 写入 state["summary"]    │
     │                                                          │
     ▼                                                          │
    END ───────────────────────────────────────────────────────┘

• StateGraph：用 TypedDict 定义全局状态（本例 topic / research / summary）。
• 节点（Node）：一个纯函数 (state) -> 部分更新，框架负责把返回值 merge 回状态。
• 条件边（Conditional Edge）：用函数根据状态决定走哪条边（本例 gate 之后可加 router：if approved -> summarize else -> END），这是「同一张图」能表达 ReAct / Plan-Execute / 辩论 的根本原因。

2. checkpoint 怎么持久化、怎么恢复（必问）

• checkpointer 在 compile(checkpointer=MemorySaver()) 时注入。
• 每次 invoke 都带 config={"configurable": {"thread_id": "x"}}， thread_id 就是状态的坐标。
• 框架把每一步后的完整状态写入后端（内存 / SQLite / Postgres）。
• 恢复：graph.get_state(config) 读回最新状态； graph.invoke(Command(resume=...), config) 从最近检查点续跑—— 进程重启、用户离开再回来都不丢进度。

3. HITL 怎么实现（必问）

• from langgraph.types import interrupt
• 在 gate 节点里 interrupt({"research": ..., "prompt": "继续？"})： 执行到此暂停并把控制权交回调用方，状态已被持久化。
• 调用方拿到结果后，用 Command(resume="yes"/"no") 把决定送回，图从断点继续。
• 落点：人工审批、敏感操作确认、外部系统回执，都在 interrupt 处。

4. Memory vs RAG（必问）

• Memory = 对话 / 任务状态的快照或可溯源记忆（本项目用独立记忆层 + checkpoint）。
• RAG = 从外部知识库检索喂给模型，解决「不知道」的问题。
• 区别：Memory 是「我记得刚才发生了什么」，RAG 是「我去查一下资料」。
• 本项目的防幻觉设计：semantic 记忆每条带 source_ref，无来源则不允许模型断言。

5. 与自研内核（灵犀）的区别（必问）

• LangGraph = 用框架：状态图、调度、持久化开箱即用，快速落地。
• 灵犀 = 自研内核：双脑协同 + 反思循环 + 权重演化，自己实现运行时。
• 一句话：框架让你交付快，自研让你懂底层；两者互补。