What is LangGraph used for?

LangGraph is used to build reliable agent and multi-agent workflows with explicit control flow, persistent state, and checkpoints. It’s ideal for loops, tool use, human-in-the-loop steps, and complex orchestration.

How do I install and set up LangGraph?

Install with `pip install langgraph langchain` (Python) or `npm i @langchain/langgraph langchain` (JS/TS). Configure your LLM provider (e.g., `OPENAI_API_KEY`) and start by defining a `State`, nodes, and conditional edges.

Is LangGraph different from LangChain?

Yes. LangGraph is a separate package that focuses on graph-based orchestration and stateful, resumable workflows. It complements LangChain’s models, tools, and integrations, adding determinism and reliability.

Can I build multi-agent systems with LangGraph?

Absolutely. LangGraph supports supervisor–worker patterns, debate or committee agents, and policy gates. You route between agents via conditional edges and maintain shared or segmented state.

How do I prevent infinite loops in LangGraph?

Define clear termination conditions and always provide an `END` path in routers. Add loop counters or timeouts in state, prune messages, and write unit tests to verify routing logic.

Hvordan man bruger LangGraph: En praktisk guide til at bygge pålidelige AI-agenter

Hvis du har prøvet at bygge agentiske workflows med almindelige kæder og værktøjer, har du sandsynligvis stødt på begrænsninger — upålidelige loops, skrøbelig kontrolflow og svært ved at fejlfinde tilstand. LangGraph ændrer det ved at give dig en graf-native måde at designe, kontrollere og spore agentadfærd med vedvarende stat og sikkerhedsforanstaltninger.

I denne hands-on tutorial vil du lære, hvordan du bruger LangGraph fra nul til produktionsklar: hvad det er, hvordan grafmodellen fungerer, og hvordan du bygger, tester og itererer på reelle agent-workflows — både enkeltagent- og multi-agent — ved hjælp af Python eller JavaScript.

Værd at bemærke: hvis du udarbejder prompts, laver flowdiagrammer eller samarbejder om kode med en AI-assistent, kan Sider.AI fremskynde dine LangGraph-iterationer (promptforfining, enhedstests og dokumentsøgninger) direkte i din browser. Se https://sider.ai/ for detaljer.

Hvad er LangGraph — og hvorfor bruge det?

LangGraph er et framework til at bygge agentiske og multi-agent LLM-applikationer med eksplicit kontrolflow, vedvarende tilstand og hændelsesbaseret sporing. Det er en del af LangChain-økosystemet, men vedligeholdes som en separat pakke. Udviklere vælger det for at gøre agenter mere pålidelige og kontrollerbare med funktioner som deterministiske kanter, genoptagelige checkpoints og en klar mental model for komplekse loops og værktøjsbrug.

Nøgleårsager til at teams vælger LangGraph:

Pålidelighed og sikkerhedsforanstaltninger: Definér præcist, hvornår en agent kan handle, bede om hjælp eller overdrage.

Genoptagelighed: checkpoint-tilstand, genopret fra fejl og fortsæt, hvor du slap.

Multi-agent-mønstre: sammensæt specialister, debatter eller supervisor–worker flows.

Observabilitet: eventstrømme og tilstandssnapshots gør fejlretning overskueligt.

Hvis du foretrækker struktureret læring, er det officielle kursus Introduction to LangGraph et godt sted at starte. Der findes også et komplet begyndervenligt videokursus, der gennemgår komplekse samtale-AI-workflows.

Den grundlæggende mentale model: Noder, kanter og tilstand

Tænk på LangGraph som en rettet graf over din applikationstilstand.

Noder: eksekverbare trin (f.eks. kalde en LLM, køre et værktøj, rute til en anden agent).

Kanter: routing-logik, der bestemmer, hvilken node der kører næste gang.

Tilstand: et typet, sammensmelteligt objekt (beskeder, variable, værktøjsresultater), der føres videre mellem noder.

Kanaler: navngivne dele af tilstanden, som noder kan læse/skrives fra (f.eks. messages, context).

Checkpoints: vedvarende snapshots af tilstand, der giver dig mulighed for at genoptage eller forgrene.

En node modtager den aktuelle tilstand, opdaterer den og returnerer en delvis patch. Kanter vælger den næste node baseret på den resulterende tilstand. Det gør loops, retries og supervision eksplicit, hvilket er afgørende for pålidelighed.

Installation og opsætning

LangGraph understøtter Python og JavaScript/TypeScript. Vælg din stack og installer sammen med LangChain og din foretrukne LLM-klient.

Python:

pip install -U langgraph langchain openai
# Valgfrit: sporing, vektorbutikker, værktøjer osv.

JavaScript/TypeScript:

pnpm add @langchain/langgraph langchain openai
# eller
npm install @langchain/langgraph langchain openai

Miljøvariabler:

export OPENAI_API_KEY=sk-... # eller din valgte udbyder

Din første LangGraph: En minimal enkelt-agent loop (Python)

Dette eksempel bygger en simpel agent, der ræsonnerer, bruger værktøjer og beslutter, hvornår den skal stoppe.

from typing import TypedDict, List
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
# 1) Definér tilstand
action_token = "<act>" # simpelt signal for værktøjsbrug vs. endeligt svar
class State(TypedDict):
messages: List.
- Gratis introduktionskursus til LangGraph fra LangChain Academy.
- Et komplet videokursus for begyndere, der dækker komplekse samtaleflows.
## Afslutning: Fra prototype til pålidelige agenter
LangGraph giver dig graf-native kontrol over LLM-applikationer: eksplicitte ruter, genoptagelig tilstand og observerbar adfærd. Start småt med en enkelt-agent loop, og tag derefter skridtet videre til multi-agent supervisorer, politik-gates og menneskelig gennemgang. Hold noder simple, tilstanden ren og ruter deterministiske.
Handlingspunkt:
- Lav en minimal tilstand og to noder (`agent`, `tool`).
- Tilføj en router med en klar `END`-vej.
- Introducér checkpoints og tests inden du skalerer op.
- Implementér værktøjer og specialagentér efterhånden som du vokser.
Med dette fundament — og en stærk fejlfindingsloop — vil du levere agentsystemer, der opfører sig konsekvent i produktion.
### FAQ
Q1:Hvad bruges LangGraph til?
LangGraph bruges til at bygge pålidelige agent- og multi-agent workflows med eksplicit kontrolflow, vedvarende tilstand og checkpoints. Det er ideelt til loops, brug af værktøjer, menneske-i-loop-trin og kompleks orkestrering.
Q2: Hvordan installerer og opsætter jeg LangGraph?
Installer med `pip install langgraph langchain` (Python) eller `npm i @langchain/langgraph langchain` (JS/TS). Konfigurer din LLM-udbyder (f.eks. `OPENAI_API_KEY`) og start med at definere en `State`, noder og betingede kanter.
Q3: Er LangGraph forskelligt fra LangChain?
Ja. LangGraph er en separat pakke, der fokuserer på graf-baseret orkestrering og statefulde, genoptagelige workflows. Det supplerer LangChains modeller, værktøjer og integrationer med determinisme og pålidelighed.
Q4: Kan jeg bygge multi-agent systemer med LangGraph?
Absolut. LangGraph understøtter supervisor–worker-mønstre, debat- eller komité-agenter og politik-gates. Du router mellem agenter via betingede kanter og opretholder delt eller segmenteret tilstand.
Q5: Hvordan undgår jeg uendelige loops i LangGraph?
Definér klare afbrydelsesbetingelser og sørg altid for en `END`-vej i routere. Tilføj loop-tællere eller timeouts i tilstanden, rens beskeder og skriv enhedstests for at verificere routing-logikken.

Sådan bruges LangGraph: En praktisk guide til at bygge pålidelige AI-agenter

Hvordan man bruger LangGraph: En praktisk guide til at bygge pålidelige AI-agenter

Hvad er LangGraph — og hvorfor bruge det?

Den grundlæggende mentale model: Noder, kanter og tilstand

Installation og opsætning

Din første LangGraph: En minimal enkelt-agent loop (Python)