✅ 掌握点：
- 在 LangGraph 中使用 interrupt_before=["tools"] 设置中断点
- 通过 app.get_state(config) 获取工作流当前状态
- 实现用户交互审批流程，控制高危操作的执行
- 结合 MemorySaver 实现持久化状态管理
输出：
- 当智能体尝试执行敏感操作（如发送邮件）时，系统会暂停并请求用户确认
- 用户输入 "yes" 批准执行，输入其他取消操作
- 完整展示执行过程的日志和最终结果

💡 此示例适用于需要人工监督的场景，如金融交易、系统配置修改等高风险操作。

演示如何将一个完整的 LangGraph 子工作流封装为单个工具（Graph-as-a-Tool 模式）。

✅ 掌握点：
- 定义独立的子图状态结构（如 RetryState）
- 构建包含重试逻辑的子图工作流
- 使用 @tool 装饰器将子图封装为可调用工具
- 在主工作流中像使用普通工具一样调用子图
效果：
- 子图内部实现了失败重试逻辑，对调用者完全透明
- 主工作流可以无缝集成复杂的子流程，保持代码整洁
- 模拟实现了不稳定 API 调用的容错处理

💡 这种模式特别适合封装具有复杂内部逻辑的操作，如网络请求、数据库事务等可能需要重试或错误处理的场景。

构建由总控节点协调多个专家智能体的协作系统，实现专业化分工。

✅ 掌握点：
- 定义共享的多智能体状态结构（AgentState）
- 创建不同功能的专家节点（RAG专家、网络研究员、代码编写者）
- 实现 Supervisor 总控节点，负责任务分配和流程协调
- 为每个专家配置专属工具和系统指令
- 设计复杂的条件路由逻辑，支持多节点协作
效果：
- 系统会根据用户问题自动选择最合适的专家处理
- 专家可以调用专业工具获取信息
- 总控节点监控对话进度，决定是否完成任务或切换专家
- 完整展示多智能体交互过程和决策路径

💡 此架构适用于需要多领域专业知识协作解决的复杂问题，如技术咨询、客户服务等场景。

整合前述所有高级特性，构建一个完整的企业级 IT 运维智能体系统。

✅ 掌握点：
- Graph-as-a-Tool：封装 SSH 日志分析子图，处理连接重试逻辑
- Human-in-the-Loop：对重启服务等高危操作实施人工审批
- Multi-Agent 协作：实现日志专家和运维专家的专业分工
- Supervisor 调度：根据问题类型和解决进度智能分配任务
- 状态持久化：使用 MemorySaver 维护跨轮次的会话状态
效果：
- 完整模拟 IT 故障处理流程：报警 → 日志分析 → 故障定位 → 人工审批 → 执行修复
- 自动化程度高，但保留人工干预的安全机制
- 各组件松耦合，易于扩展和维护
- 支持 LangSmith 全流程追踪和调试

💡 这是一个接近生产环境的综合示例，展示了 LangGraph 构建复杂智能体系统的强大能力。

🧩 模块说明：LangGraph 进阶篇 - 构建企业级智能 Agent 系统