什么是图？
图是一种关系型的语言表达方式，它是一个抽象的概念，用它我们可以很好的表达事物之间的关系
核心概念：
节点：表示事物，比如“天气”、“状态”
边： 表示关系，比如“因果”、“联系”
而有向图无向图的核心区别，就是要看这个边有无方向
什么是有向图？
有向图就是边有方向，定义了从 A-->B 的单向关系，它依赖于 A 到 B 这个过程， 它的核心理念就是“谁影响谁”，
比如父节点影响子节点，过去影响现在，因为什么所以什么，这种有因果推断、输入到输出形式的，就是有向图。
贝叶斯网络就是一个代表案例，它的每个子节点的状态只依赖于它的父节点，整体联合概率通过条件概率链式乘积构成。
以这个例子，今天下雨需要带伞的整体概率为：“天气情况是什么” × “在这种天气下下雨的可能性” × “在是否下雨的情况下打伞的可能性
是每步依赖上步结果，一步步进行乘积计算的最终概率，天气决定是否下雨，下雨决定是否带伞，是有因果关系存在的。
什么是无向图？
无向图就是我并不依赖于前后联系，我仅关注距离我最近的事物与我是否有联系，哪些东西彼此有关系。
在无向图中，每个节点只看自己周围的世界，它不关心远处发生了什么（马尔可夫性）。只保留必要的关系，避免冗余。
还是用这个例子，无向图的边是没有方向的，下雨可能和天气有关，也能决定我要不要带伞，但是天气和带伞是什么关系它并不关注，因为（下雨-天气）与（下雨-带伞）已经很好的涵盖了（天气-带伞）了。
中间节点屏蔽了两边的影响，这就是 条件独立性！
无向图的联合概率的计算方式与有向图的不同，因为无向图没有方向的概念，只有相邻两个节点的适配程度，这就引入了新的概念，势函数，它的值决定了两个相邻节点的适配程度。这个值越高，就代表两个点越匹配。
它的计算整体联合概率的方式就是将每两个节点之间的势函数相乘，再除以总和做统一归一化。
有向图无向图的核心区别与联系
有向图与无向图的根本区别，就在于有向图是由因到果的关系，它的输出依赖于上一步的输入，子节点由父节点生成得来。而无向图不是这样，无向图讲一个平衡关系，儿子和父亲，父亲和爷爷。有向图讲“谁导致谁”；无向图讲“谁和谁有关系”。
有向图与无向图都是是结果归一化，只不过有向图是每个节点概率乘积，所以结果天然归一化，而无向图是相邻节点乘积所以需要手动整体计算归一化。
有向图的代表模型有贝叶斯网络，隐马尔可夫模型；
无向图的代表模型有条件随机场，马尔科夫随机场；
需要注意的一点是，这里的隐马尔可夫模型和马尔科夫随机场，他们虽都符合马尔可夫性，即现在的状态只和附近的状态有关，跟更远的状态无关。但是这里存在两个版本，即链式马尔科夫性（序列）与图式马尔可夫性（邻域），链式只依赖前一个（或有限几个）时刻的状态，比如隐马尔可夫模型 HMM 而图式依赖的是邻居节点，即马尔可夫随机场 MRF。
langgraph 的图思想对应当前哪一种？
LangGraph 是一种 基于“图结构”的智能体框架，本质上来说它是个有向图，毕竟是按照任务节点顺序执行，传递的，在传递过程中涉及到交互，循环，所以它是个有向的“动态有向图”（贝叶斯网络为有向无环图）。
无向图是各个节点相互影响，状态共存，而有向图是节点信息传递，状态更新，LangGraph 很明显是个有向图。
它的核心思想就是“分治”思想和“图式思维”进行拆分。
每个子任务构成一个节点（Node），每个节点只与其相邻节点通信。
任务规划描述作为边（Edge）来在相邻节点间进行传递，节点的行为与状态的更新由输入端传递信息决定。
这一整个形成一个思维导图，从而实现整体任务的执行周转结束。
它与概率图模型的联系在于：
- 都用“图”描述局部依赖关系；
- 都依赖“节点之间的局部交互”来实现“全局一致”。
区别在于：
- 概率图模型 描述的是随机变量间的依赖。
- LangGraph 描述的是任务模块间的依赖。