LangGraph MCP 利用有向無環圖（DAG）來表示 LLM 呼叫的序列，允許開發者將任務拆解為具有可配置提示、輸入和輸出的節點。每個節點對應一個 LLM 調用或資料轉換，促使參數化執行、條件分支和迭代循環。用戶可以將圖序列化為 JSON/YAML 格式，版本控制工作流程，並視覺化執行路徑。該框架支援多個 LLM 供應商的整合、自訂提示模板，以及預處理、後處理和錯誤處理的插件鉤子。LangGraph MCP 提供 CLI 工具和 Python SDK，用於載入、執行和監控基於圖形的代理流程，適用於自動化、報告產生、對話流程和決策支援系統。

LLMFlow提供了一種宣告式的方式來設計、測試與部署複雜的語言模型工作流程。開發者建立代表提示或動作的節點，然後將它們串連成可根據條件或外部工具輸出進行分支的流程。內建記憶管理能追蹤步驟間的語境，而適配器則實現與OpenAI、Hugging Face等的順暢整合。功能可以透過插件擴展，支援自訂工具或資料來源。流程可以在本地、容器或作為無伺服器函數執行。應用案例包括建立對話型助理、自動化報告生成與資料擷取流程—所有流程都具透明執行與日誌記錄。

Wizard Language 是一種建立於 TypeScript 上的宣告式領域專用語言，用於撰寫作為向導的 AI 助手。開發者在簡潔的 DSL 中定義意圖驅動的步驟、提示、工具調用、記憶存儲與分支邏輯。底層則將這些定義編譯為協調的 LLM 呼叫，管理語境、非同步流程與錯誤處理。它能加速聊天機器人、資料檢索助手和自動化流程的原型設計，並將提示工程與狀態管理抽象成可重用的元件。