mock a mermaid graph

Change-Id: I947ffc6faa29e07ed2c2a0efa5374b162a896f27

Author: shentongmartin

content/zh/docs/eino/overview/graph_or_agent.md

@@ -22,6 +22,38 @@ weight: 5
 
 本文详细探讨了 Agent 和 Graph 两种 AI 应用形态的区别和联系，提出“两者的最佳结合点，在于将 Graph 封装为 Agent 的 Tool（工具）”，并为 [Eino](https://github.com/cloudwego/eino) 开发者给出建议的使用姿势。
 
+### 完整的用户动线
+```mermaid
+sequenceDiagram
+    participant Client
+    participant Server
+    participant SessionStore
+    participant CheckpointStore
+
+    note over Client, Server: 场景1: 首次运行（Run）
+    Client->>Server: 发送Run请求（初始Input，现有的 SessionID）
+    Server->>SessionStore: Runner.Run(), 用 SessionID 做 CheckpointID，Load Session
+    SessionStore->>Server: 返回会话历史（User/Assistant/Tool消息列表）
+    Server->>Server: BeforeAgent阶段：将会话历史注入 runSession
+    Server->>Server: 执行Agent处理，生成AgentEvent序列
+    Server->>SessionStore: ProcessEvents阶段（有中断）：Append会话历史（新消息），SaveCheckpoint
+    Server->>Client: 返回结果
+
+    note over Client, Server: 场景2: 中断后恢复（Resume）
+    Client->>Server: 发送Resume请求（InterruptID->ResumeData + SessionID）
+    Server->>CheckpointStore: Runner.Resume()，用 SessionID 做 CheckpointID，Load Checkpoint
+    CheckpointStore->>Server: 返回检查点（本轮Input/上下文/中断时状态）
+    Server->>Server: BeforeAgent阶段：恢复检查点状态（跳过加载Session）
+    Server->>Server: 继续执行Agent处理，生成后续AgentEvent
+    alt 存在中断（需再次暂停）
+        Server->>CheckpointStore: Save Checkpoint（更新当前轮次快照）
+        Server->>SessionStore: Save Session（追加本轮新生成的消息）
+    else 无中断（本轮完成）
+        Server->>SessionStore: Save Session（追加本轮新生成的消息）
+    end
+    Server->>Client: 返回结果
+```
+
 ## 核心概念辨析
 
 ### 基础定义
@@ -112,7 +144,7 @@ Eino 框架的目标是同时支持 Graph 和 Agent 两种场景。我们的演
 
 因此，向 Graph 中加入 Agent 节点，意味着将一个需要多轮交互、长时记忆和异步输出的 Agent 强行嵌入到一个确定性的、同步执行的 Graph 节点中，这通常是不优雅的。Agent 的启动可以被 Graph 编排，但其内部的复杂交互不应阻塞主流程。
 
-实际上，在 Graph 中我们需要的并非一个完整的 Agent 节点，而是一个功能更纯粹的**“LLM 节点”**。该节点负责在确定性流程中，接收特定输入，完成意图识别或内容生成，并产出结构化的输出，从而为流程注入智能。
+实际上，在 Graph 中我们需要的并非一个完整的 Agent 节点，而是一个功能更纯粹的“LLM 节点”。该节点负责在确定性流程中，接收特定输入，完成意图识别或内容生成，并产出结构化的输出，从而为流程注入智能。
 
 同时，如果简单的“LLM”节点确实不满足需求，确实需要“Agent”，更合适的做法也许不是把 Agent 塞到静态预定义的 Graph 中，而是给“Agent”增加前置处理、后置处理等各种“插件”，把具体的业务逻辑嵌入到 Agent 内部。
 
@@ -126,7 +158,7 @@ Eino 框架的目标是同时支持 Graph 和 Agent 两种场景。我们的演
 <tr><td>特征维度</td><td>Graph</td><td>Tool</td></tr>
 <tr><td>输入</td><td><strong>结构化的数据</strong></td><td><strong>结构化的数据</strong></td></tr>
 <tr><td>交付物</td><td><strong>聚焦最终结果</strong></td><td><strong>聚焦最终结果</strong></td></tr>
-<tr><td>状态管理</td><td><strong>单次执行、stateless</strong></td><td><strong>单次执行、stateless。</strong></td></tr>
+<tr><td>状态管理</td><td><strong>单次执行、stateless</strong></td><td><strong>单次执行、stateless</strong></td></tr>
 <tr><td>运行模式</td><td><strong>整体是同步</strong></td><td> <strong>LLM 的视角 Tool 是同步的</strong></td></tr>
 </table>
 
@@ -145,7 +177,7 @@ Agent 与 Graph 并非路线之争，而是能力互补的两种 AI 应用范式
 
 两者的最佳结合点，在于将 Graph 封装为 Agent 的 Tool。
 
-通过这种方式，我们可以充分利用 Graph 在流程编排和生态集成上的强大能力，来扩展 Agent 的 Tool 列表一个复杂的 Graph 应用（如一套完整的 RAG 流程、一个数据分析管道）可以被简化成 Agent 的一个原子能力，被其在合适的时机动态调用。
+通过这种方式，我们可以充分利用 Graph 在流程编排和生态集成上的强大能力，来扩展 Agent 的 Tool 列表。一个复杂的 Graph 应用（如一套完整的 RAG 流程、一个数据分析管道）可以被简化成 Agent 的一个原子能力，被其在合适的时机动态调用。
 
 对于 Eino 的开发者而言，这意味着：