1先给结论

这篇教程没过时——这在 2026 年并不常见

技术教程最大的隐性成本不是难，是过时。你照着敲完，报错，查了半天发现是 API 在半年前改了名。这类教程在中文社区里的比例不低。

所以我先核了两件事：模型名是不是真的，API 写法是不是当前的。结论是——两个都站得住。

教程断言 × 核查结果核查截至 2026-08-28

教程断言	核实结果	判定
模型 gpt-5.4-mini	OpenAI 于 2026-03-17 发布 GPT-5.4 mini / nano，专为「子代理时代」设计。mini 定价 $0.75 / $4.50 每百万 token、400K 上下文、多模态，比 GPT-5 mini 快 2 倍。教程写作在其后，选型合理	真实
InMemorySaver / MessagesState / StateGraph / add_conditional_edges	LangGraph 1.x 现代写法。1.0.8 稳定于 2026-02，现已到 1.2.x。教程没用已废弃的 MemorySaver（0.1 老名），用对了新名	当前
国产模型可接入	智谱 / 通义 / DeepSeek / Kimi 均提供 OpenAI 兼容接口，改 base_url 即可，无需额外 SDK	可行
「从 Demo 到生产」清单（权限 / 校验 / 循环上限 / 人工审批 / 追踪）	全是生产级 Agent 的真实要点，且与实体机器人安全强相关	真实
把 system prompt 写进 call_model 每次前插	功能正确但有冗余：每次调用都重建 system 消息，长对话里会重复累积	小毛病

五项里有四项完全站得住，第五项是「能用但不干净」，不影响跑通

判断：教程真正的价值不是「教你调包」，而是给了一套把复杂任务显式化、可控、可观察、可暂停的心智模型——状态、节点、边。这套模型对做机器人的我们尤其对味：K1 头部跟随本来就是「感知 → 决策 → 动作」的循环，LangGraph 让它有状态、可断点、可回放。

2坑一

InMemorySaver 进程重启即丢

教程明确写了 InMemorySaver「只适合本地学习和测试」——它很诚实，但没展开后果。

对机器人长任务、跨进程、多机部署的场景，内存存档是定时炸弹：进程一挂，整条任务链的上下文全没，只能从头来。一次演示编排跑四十分钟，跑到第三十五分钟崩了，从头再跑四十分钟——这个代价在交付现场是付不起的。

生产环境换 SQLiteSaver（单机，需持久卷）或 PostgresSaver（多机并发）。另外有一条容易被忽略：单个 checkpoint 超过约 50KB 就要把载荷外置，State 里只存引用。机器人的图像、视频绝不能直接塞进 State，否则序列化会拖垮整条链。

3坑二与坑三

换掉 OpenAI，把人工审批从可选改成必选

第二个坑是模型绑定。做客户交付的机器人公司，数据不出内网是硬需求。好消息是替换成本极低——国内主流模型都提供 OpenAI 兼容端点，样板改两行：

模型端点替换以智谱为例

      llm = ChatOpenAI(

        model="glm-5.3-flash",

        base_url="https://open.bigmodel.cn/api/paas/v4",

        api_key=os.environ["ZHIPU_API_KEY"],

        temperature=0,

      )

注意：GLM-5.3-Flash 本地自托管需约 192GB 显存（另经核实），小团队先用 API，等客户确有「数据不出网」刚需再自托管

第三个坑更要紧。教程把「发送邮件、删文件、改数据库、付款」列为高风险动作，建议用 interrupt() 暂停等人确认——但它是作为可选项讲的。

同一个动作，两种场景下的后果量级作者判断

软件动作

发错一封邮件、删错一个文件可撤回、可修复、损失有限

物理动作

让一台 30 公斤的机器人真实位移撞到人是安全事故，不可撤回

群组动作

6 台机器人同时动起来失控半径是单台的数倍

判断：任何「下发运动指令」「切换自主模式」的节点之前，必须暂停等人确认——Agent 不能自己决定让 6 台机器人动起来。这条不是工程偏好，是安全底线。教程把审批当可选项，是因为它假设的失败域在软件里；我们的失败域在物理世界，量级差着两个数量级。

4改造后的架构

把工具当节点，用状态机串起来

改造方案不复杂：把大脑换成国产模型，把工具做成节点，用 Checkpointer 落盘，在高风险节点前插审批中断。

机器人演示编排 Agent改造后

START

任务进入thread_id 区分每个机器人会话

Planner

大脑节点GLM-5.3-Flash，temperature=0

route()

条件边：有 tool_calls？有则走工具，无则结束

工具节点

K1 状态查询 / ComfyUI 视频 / 知识库检索 / 联网检索工具结果回流大脑，形成循环

⏸ 审批

interrupt() 强制中断真实移动 / 对外发布前必须等人确认

END

交付 + Trace 落盘SQLiteSaver（单机）/ PostgresSaver（多机）

关键区别不在节点数量，在于橙色那一环是代码强制的，不是模型「觉得自己应该问一下」

5落地节奏与边界

四条必须守住的线，和一个四周计划

四阶段落地从 2 小时试水开始

阶段	时间	动作	产出
Phase 0 试水	本周约 2h	跑通教程 demo，把 gpt-5.4-mini 换成 glm-5.3-flash（智谱云 API）	验证国产模型接入链路
Phase 1 加工具	2 周内	接 1 个业务工具节点（K1 状态查询或知识库检索），InMemorySaver 换 SQLiteSaver	会话跨重启不丢
Phase 2 加安全闸	1 月内	接 ComfyUI 视频节点；给「真实移动 K1」加 interrupt()；设最大步数 / 超时 / 费用上限	实体动作有保险
Phase 3 课程化	持续	抽成产教赛训标准课件，配 K1 头部跟随与演示编排两个实案	可售内训产品

Phase 0 只要两小时，这一步的意义是先把「国产模型能不能接上」这个最大不确定性消掉

四条边界，一条都不能省。

最小权限。只给 Agent 完成任务所需的工具权限。K1 API 的「只读状态」和「下发指令」必须分开鉴权，默认只读。

参数校验。模型生成的工具参数——角度、速度、坐标——在执行前必须做范围校验，别盲信。这是防止「模型理解偏了」的最后一道物理防线。

大文件不进 State。图像视频走外置存储，State 只存路径引用。

Trace 是黑匣子。上线前接好日志，记录「模型收到什么 / 为什么选这个工具 / 工具返回什么 / 状态在哪变」。没有这四样，出事故时无法复盘——对机器人交付，这等于没有事故记录。

这份核查的边界

原帖为个人教程，本次核查覆盖模型型号、API 名称与国产模型接入可行性，未逐行运行教程代码；LangGraph 版本演进较快（1.0.8 稳定于 2026-02，现已 1.2.x），实操前请以官方文档为准。

三条与原文不同的判断属作者观点，已在正文标注：① InMemorySaver 对机器人长任务不可接受；② 人工审批在物理动作场景是必选项而非可选项；③ 客户交付场景应优先使用国产模型兼容端点。原帖直链未在研究材料中留存，引用请以作者账号 @Smartpigai 与 LangGraph 官方文档为准。