在 LangGraph 中， 的设计初衷是用于控制流转、保存图的执行上下文以及支持“时间旅行”（Time Travel）和人类介入（Human-in-the-loop）等特性。 如果在 中直接存储极大的数据（如数 MB 甚至更大的 PDF 全文），不仅会导致单次传递时内存开销极大，更致命的是 LangGraph 的 Checkpointer（如 ）会保存每一个 Step 的历史状态。这意味着一个 10MB 的文本经过 5 个节点，可能会在内存中膨胀到 50MB 以上，最终导致 OOM（内存溢出）。 针对这种场景，以下是几种业界最佳的优化方案（按推荐程度排序）： 1. 核心模式：传递引用（Payload vs. Pointer）—— 最推荐 不要在 State 中传递数据本身，而是传递数据的“指针”（引用/ID/路径）。 实现原理：将大文件提取后的文本存储在外部存储（本地磁盘、S3、Redis、数据库）中，State 中只保留该文档的唯一标识符（如 或 ）。 适用场景：所有包含大文件的流转场景，尤其是需要持久化和分布式的生产环境。 代码示例： 2. 外部共享内存上下文（In-Mem...
播面