核心概念
什么是持久化执行（Durable Execution）
持久化执行是一种在关键节点保存进程或工作流进度的技术，使其能够暂停并在之后从暂停点精确恢复。LangGraph 通过内置的持久化层（persistence layer）为工作流提供这一能力。
关键特性：
- 状态自动保存到持久化存储（durable store）
- 支持长时任务中断后的恢复（即使间隔一周）
- 支持人机协同（human-in-the-loop）场景
- 避免重新处理已完成步骤
三要素（Requirements）
- Checkpointer：启用工作流持久化，保存进度
- Thread ID：追踪特定工作流实例的执行历史
- Task 封装：将非确定性操作和副作用操作封装在 task 中
确定性与一致性重放（Determinism & Consistent Replay）
⚠️ 关键认知：恢复时不是从断点继续执行，而是从某个起始点重放到断点。
因此需要：
- 避免重复工作：每个副作用操作单独封装为 task
- 封装非确定性操作：随机数生成等必须包在 task 中
- 使用幂等操作：API 调用、文件写入应尽量幂等，使用幂等键（idempotency keys）
三种持久化模式
| 模式 | 行为 | 性能 | 恢复能力 |
|---|---|---|---|
exit | 仅在执行退出时保存 | 最佳 | 无法恢复执行中崩溃 |
async | 下一步执行时异步保存 | 良好 | 极小概率丢失 checkpoint |
sync | 下一步前同步保存 | 有开销 | 最高，每个 checkpoint 都落盘 |
恢复场景
- 人机协同暂停：
interrupt+Command恢复 - 故障恢复：相同 thread_id +
None输入自动从最后一个 checkpoint 恢复 - 优雅关闭（Drain）：
langgraph>=1.2，协作式停止，superstep 边界生效
恢复起始点
- StateGraph (Graph API)：执行停止的 node 开头
- Subgraph 调用：父 node 为起始点，subgraph 内为具体 node
- Functional API：执行停止的 entrypoint 开头
关键洞察
-
持久化执行的本质是「状态机 + 事件重放」：LangGraph 的恢复机制与事件溯源（Event Sourcing）思想高度相似——保存状态 snapshot + 重放后续事件。
-
Task 是副作用的边界：LangGraph 用 task 来标记「可缓存/可恢复」的单元。这类似于 React 的纯函数组件与副作用 hook 的区分。
-
幂等性是兜底保险：即使 checkpoint 机制完美，网络超时、部分失败等边缘情况仍可能重复执行 task。幂等操作是最后一道防线。
-
Drain 模式填补了「优雅关闭」的空白：在容器化/K8s 环境中，SIGTERM 处理是生产级部署的必备能力。LangGraph 的
request_drain()提供了框架级的支持。
待深入研究
-
interrupt和Command的具体 API 与使用示例 - Checkpointer 的实现：支持哪些后端（SQLite、Postgres、Redis？）
- LangGraph 的 Functional API 与 Graph API 在持久化上的差异
- 与其他工作流引擎（Temporal、Cadence、Prefect）的持久化机制对比
- 在生产环境中
sync/async/exit模式的实际性能基准 -
RunControl的完整语义和最佳实践（alpha 功能）
与已有知识的潜在关联
- LangGraph 核心概念：需要建立 LangGraph 的 StateGraph、Node、Edge、Task 等基础概念的联系
- 事件溯源（Event Sourcing）：持久化执行的 replay 机制与事件溯源模式的相似性
- K8s 优雅关闭：SIGTERM 处理与 K8s Pod 生命周期的结合
- 幂等性设计：与分布式系统中幂等 API 设计的通用原则相通
- React/函数式编程：纯函数与副作用分离的思想共鸣