本篇继续使用预先定义的图结构，解决一类需要反复改进输出的问题：模型先生成内容，评估器按照明确标准检查；如果没有通过，就把具体反馈交回生成器继续修改。 这种模式叫作 Evaluator-optimizer Workflow，也就是评估器优化器

在系列 10（上）中，我们已经介绍了 Workflow 的 State、Reducer 和 Node：State 保存共享数据，Reducer 决定字段如何合并，Node 负责读取状态并提交局部更新。 本篇继续解决“节点按什么顺序执行”这个

从本文开始进入 LangGraph 系列的 Workflow 阶段。面对执行步骤明确、分支规则固定的业务，通常不需要让大模型决定每一步，而是由程序员把执行路径直接编排成 Workflow。 本篇是系列 10 的上篇，不调用大模型，而是使用普

前面的 MCP Server 都没有设置身份认证。只要能够访问服务地址，客户端就可以列出 Tool 并执行调用。这种方式适合完全受控的本机实验，但不能直接用于多人环境或公网服务。 这一篇先不搭建完整登录系统，而是使用 RSA 密钥、JWT

这一篇不再自己启动 MCP Server，而是连接魔搭社区托管的 12306 MCP，依次完成能力发现、直接调用和 Agent 集成。 魔搭生成的连接配置如下： { "mcpServers": { "1230

上一篇已经使用 FastMCP 实现了一个城市旅行 MCP Server，其中包含 Tool、Resource 和 Prompt，并分别验证了 stdio、Streamable HTTP 和旧 HTTP+SSE。 这一篇不再通过 pytho