Checkpointer 是 LangGraph（LangChain团队开发的工作流编排框架）里负责存档的机制。它把 Agent 跑到某一步时的全部进展写进数据库，任务中断后再读出来接着跑。没有它，一个跑了 40 分钟的任务在第 39 分钟失败，可能需要从第 1 分钟重来。
如果没有它任务会怎样
假设一个自动生成报告的工作流，由六个节点串成：下载文件、解析文本、语义切分、逐段调用模型做摘要、汇总成报告、发送邮件。
前三步很快，几分钟走完，产出 420 个待摘要的文本片段。第四步要对这 420 个片段逐个调用模型，跑满需要 40 分钟左右。跑到第 318 个片段时，模型服务限流，请求失败。
这时候整个任务挂了。没有存档机制的话，重跑意味着什么：文件重新下载，文本重新解析，切分重新做，前 317 个片段的模型调用重新烧一遍钱和时间。第 318 个片段之后的内容一分钟没推进，前面 39 分钟全部作废。
有了 Checkpointer，情形变成这样：它在第四步每处理完一个片段，就把"已完成 317 段、结果是什么"写进数据库。失败后任务被重新拉起，读回这条记录，从第 318 段继续。
长任务能否顺利接续，Checkpointer机制是重要因素之一。
它存的到底是什么
Checkpointer 写下的每条记录叫一个检查点。你可以把它理解成一份进度单，里面装有四样东西。
第一样是位置。任务当前停在第几个节点，下一步轮到谁。例子里就是"停在第四步，处理到第 318 段"。
第二样是数据。前面所有节点产出的东西，尽可能完整地保存：文件路径、解析出来的文本、420 个片段、已经完成的 317 段摘要。节点需要什么，恢复时可尽量获取。
第三样是版本号。每个字段被更新过几次，最后一次是谁改的。框架靠这个判断哪些节点的活已经干完，恢复时不重复执行它们。
第四样是待办消息。也就是哪些消息已经发出去等着下一个节点接收，但还没被处理。
检查点是追加写的，每推进一步留一条。一串检查点连起来，可形成这条任务从头到尾的完整时间线。顺着时间线往下取最新一条，能接着跑；往回翻任意一条，能看到当时那一帧的全部现场，也能从那一帧开一条新分支，换一种参数跑出另一个结果。LangGraph 管这个叫时间旅行，实际用途是复现线上问题和对比方案。
存档和读档是怎么发生的
LangGraph 把一次执行切成一轮一轮来跑，每一轮里能并行的节点同时跑，一轮结束才进下一轮，没有节点要干活了整张图就结束。Checkpointer 在每一轮结束时写一次检查点。
调用方要操心的只有一个 thread_id，也就是这条任务的编号。同一个编号的多次运行共用一条时间线，任务被重新拉起时，框架先按编号去取最新一条检查点，把数据填回状态，然后接着往下走。编号不同，就是相互独立的两条任务线。
人工确认要走另一条路。节点执行到一半可以主动抛出中断，状态就地冻结在检查点里，等外部信号到了再解冻。审批、专家修正这类环节靠这个撑住，等待时长从几小时到几天都行，因为现场已经躺在数据库里，不占进程内存。
状态写在哪里可以选。生产上可选用SQLite（嵌入式数据库）或PostgreSQL（开源关系型数据库）实现，在适用场景下，服务重启后可恢复数据。
另外一个常用接口是读写当前状态。外部系统可以取出某条任务的当前状态，改完再写回去，人工纠错通常走这条路。
长任务为什么离不开它
耗时撑不住一次调用。批量文档处理、全量数据抽取、自动化报告，几十分钟是常态。网关层的超时往往设在几十秒到几分钟，一次调用扛不下整条链路。
外部依赖随时会抖。 模型服务限流，第三方接口超时，向量库慢查询。任务跑得越久，撞上的概率越高。有存档，失败的代价是重放最近一步。
人工环节要能挂得住。前面说过，审批和修正会把任务挂起，内存里的进程等不了那么久。
排查靠现场。长任务出问题时最贵的是复现。检查点链把每一步的输入输出留着，便于跳到出事的那一帧查看。
小艾智能体的动态 Agent 编排里，这套机制对应的就是 Memory 持久化。系统可用 JSON 或 YAML 配置拼工作流，节点从文件解析、语义切分、向量化延伸至知识图谱入库和结果推送，一条自动化报告的链路会跨多个外部服务。
Checkpointer 在这里承担两件事：长链路中断后从最近的节点接着走，需要专家修正的环节挂起后还能被接回来。
持久化跟并行执行、条件路由、状态传递并列，属于编排引擎的基础能力。内置节点中的文本摘要、数据提取、代码审查、会议纪要，都属于耗时偏长且结果可重放的任务，接上持久化之后，重跑成本有望降至单个节点的量级。
