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.

چگونه از LangGraph استفاده کنیم: راهنمای عملی برای ساخت عامل‌های هوش مصنوعی قابل اعتماد

اگر تاکنون با استفاده از زنجیره‌ها و ابزارهای ساده اقدام به ساخت گردش‌کارهای عاملی کرده‌اید، احتمالاً به محدودیت‌هایی برخورد کرده‌اید—حلقه‌های غیرقابل اعتماد، جریان کنترل شکننده و وضعیت‌هایی که اشکال‌زدایی آنها دشوار است. LangGraph این مشکلات را با ارائه روشی بومی بر پایه نمودار برای طراحی، کنترل و ردیابی رفتار عامل با حالت پایدار و راهنماها برطرف می‌کند.

در این آموزش عملی، یاد می‌گیرید چگونه LangGraph را از صفر تا وضعیت آماده‌ی تولید استفاده کنید: ماهیت آن، نحوه کار مدل نمودار، و چگونگی ساخت، آزمایش و تکرار گردش‌کارهای واقعی عامل—چه تک‌عاملی و چه چندعاملی—با استفاده از پایتون یا جاوااسکریپت.

شایان ذکر است: اگر در حال طراحی پرامپت، نمودارسازی جریان‌ها یا ویرایش کد همراه با دستیار هوش مصنوعی هستید، Sider.AI می‌تواند فرآیند تکرار LangGraph شما (تکمیل پرامپت، تست‌های واحد، جستجوی مستندات) را مستقیماً در مرورگرتان سرعت ببخشد. برای جزئیات به https://sider.ai/ مراجعه کنید.

LangGraph چیست و چرا باید از آن استفاده کنیم؟

LangGraph یک چارچوب برای ساخت برنامه‌های کاربردی LLM عامل‌دار و چندعاملی با کنترل جریان صریح، حالت پایدار و ردیابی بر پایه رویداد است. این ابزار بخشی از اکوسیستم LangChain است اما به صورت یک بسته مجزا نگهداری می‌شود. توسعه‌دهندگان آن را برای افزایش قابلیت اطمینان و کنترل عامل‌ها با ویژگی‌هایی مانند لبه‌های قطعی، نقاط بازگشت قابل ادامه و مدل ذهنی روشن برای حلقه‌ها و استفاده از ابزارهای پیچیده انتخاب می‌کنند.

دلایل کلیدی که تیم‌ها LangGraph را انتخاب می‌کنند:

قابلیت اطمینان و راهنماها: تعریف دقیق زمان‌های مجاز برای عملکرد عامل، درخواست کمک یا واگذاری کار.

قابلیت ادامه: ذخیره نقاط بازگشت حالت، بازیابی از خطاها و ادامه از همان نقطه.

الگوهای چندعاملی: ترکیب متخصصان، بحث، یا جریان‌های ناظر–کارگر.

قابلیت مشاهده: جریان رویدادها و اسنپ‌شات‌های حالت اشکال‌زدایی را منطقی می‌کند.

اگر یادگیری ساختاریافته را ترجیح می‌دهید، دوره رسمی مقدمه‌ای بر LangGraph نقطه شروع خوبی است. همچنین یک دوره ویدیویی کامل و مناسب مبتدیان وجود دارد که گردش‌کارهای پیچیده هوش مصنوعی مکالمه‌ای را آموزش می‌دهد.

مدل ذهنی اصلی: گره‌ها، لبه‌ها و حالت

LangGraph را مانند یک نمودار هدایت‌شده بر روی وضعیت برنامه خود تصور کنید.

گره‌ها: مراحل قابل اجرا (مثلاً فراخوانی LLM، اجرای ابزار، هدایت به عامل دیگر).

لبه‌ها: منطق مسیریابی که تعیین می‌کند کدام گره بعد اجرا شود.

حالت: شیء تایپ‌شده و قابل ادغام (پیام‌ها، متغیرها، نتایج ابزار) که در میان گره‌ها منتقل می‌شود.

کانال‌ها: قسمت‌های نام‌گذاشته‌ای از حالت که گره‌ها می‌توانند بخوانند/بنویسند (مثلاً messages، context).

نقاط بازگشت: اسنپ‌شات‌های پایدار حالت که به شما اجازه می‌دهند ادامه دهید یا شاخه‌سازی کنید.

یک گره حالت فعلی را دریافت، آن را به‌روز می‌کند و یک پچ جزئی برمی‌گرداند. لبه‌ها بر اساس حالت حاصل، گره بعدی را انتخاب می‌کنند. این روش حلقه‌ها، تلاش‌های مجدد و نظارت را صریح می‌کند که برای قابلیت اطمینان حیاتی است.

نصب و راه‌اندازی

LangGraph از پایتون و جاوااسکریپت/تایپ‌اسکریپت پشتیبانی می‌کند. پشته مورد نظر خود را انتخاب و در کنار LangChain و کلاینت LLM دلخواه نصب کنید.

پایتون:

pip install -U langgraph langchain openai
# اختیاری: ردیابی، ذخیره‌ساز برداری، ابزارها و غیره

جاوااسکریپت/تایپ‌اسکریپت:

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

متغیرهای محیطی:

export OPENAI_API_KEY=sk-... # یا ارائه‌دهنده دلخواه شما

اولین LangGraph شما: یک حلقه تک‌عاملی حداقلی (پایتون)

این مثال یک عامل ساده می‌سازد که استدلال می‌کند، از ابزارها استفاده می‌کند و تصمیم می‌گیرد چه زمانی متوقف شود.

from typing import TypedDict, List
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
# 1) تعریف حالت
action_token = "<act>" # سیگنال ساده برای استفاده از ابزار یا پاسخ نهایی
class State(TypedDict):
messages: List.
- دوره رایگان مقدماتی LangGraph از آکادمی LangChain.
- دوره ویدیویی کامل برای مبتدیان که گردش‌کارهای مکالمه‌ای پیچیده را پوشش می‌دهد.
## جمع‌بندی: از نمونه اولیه تا عامل‌های قابل اعتماد
LangGraph کنترل بومی نموداری روی برنامه‌های کاربردی LLM به شما می‌دهد: مسیرهای صریح، حالت قابل ادامه و رفتار قابل مشاهده. با یک حلقه تک‌عاملی کوچک شروع کنید، سپس به ناظران چندعاملی، دروازه‌های سیاست و بازبینی انسانی گسترش دهید. گره‌ها را ساده، حالت را تمیز و مسیرها را قطعی نگه دارید.
گام‌های عملی:
- یک حالت حداقلی و دو گره (`agent`، `tool`) بسازید.
- یک روتر با مسیر `END` واضح اضافه کنید.
- قبل از توسعه، نقاط بازگشت و تست‌ها را وارد کنید.
- در حین رشد، ابزارها و عامل‌های متخصص را اضافه کنید.
با این پایه‌ها و یک حلقه اشکال‌زدایی قوی، سیستم‌های عاملی می‌سازید که در تولید رفتار پایداری دارند.
### پرسش‌های متداول
Q1: LangGraph برای چه استفاده می‌شود؟
LangGraph برای ساخت گردش‌کارهای عامل و چندعاملی قابل اعتماد با کنترل جریان صریح، حالت پایدار و نقاط بازگشت به کار می‌رود. برای حلقه‌ها، استفاده از ابزار، مراحل انسان‌درمیان و هماهنگی‌های پیچیده ایده‌آل است.
Q2: چگونه LangGraph را نصب و راه‌اندازی کنم؟
با دستور `pip install langgraph langchain` (پایتون) یا `npm i @langchain/langgraph langchain` (JS/TS) نصب کنید. ارائه‌دهنده LLM خود را پیکربندی کنید (مثلاً `OPENAI_API_KEY`) و با تعریف `State`، گره‌ها و لبه‌های شرطی شروع نمایید.
Q3: آیا LangGraph با LangChain تفاوت دارد؟
بله. LangGraph بسته‌ای جداگانه است که روی ارکستراسیون مبتنی بر نمودار و گردش‌کارهای حالت‌دار و قابل ادامه تمرکز دارد. این بسته مکمل مدل‌ها، ابزارها و ادغام‌های LangChain است و قابلیت پایدار و قطعی بیشتری ارائه می‌دهد.
Q4: آیا می‌توانم سیستم‌های چندعاملی با LangGraph بسازم؟
قطعا. LangGraph الگوهای ناظر–کارگر، عوامل بحث یا کمیته و دروازه‌های سیاست را پشتیبانی می‌کند. شما می‌توانید بین عامل‌ها از طریق لبه‌های شرطی مسیریابی کنید و حالت مشترک یا تفکیک‌شده نگه دارید.
Q5: چگونه از حلقه‌های بی‌نهایت در LangGraph جلوگیری کنم؟
<a39>شرایط خاتمه واضح تعریف کنید و همیشه مسیر `END` را در روترها ارائه دهید. شمارنده حلقه یا محدودیت زمانی به حالت اضافه کنید، پیام‌ها را کوتاه کنید و تست‌های واحد برای بررسی منطق مسیریابی بنویسید.

نحوه استفاده از LangGraph: یک راهنمای عملی برای ساختن عوامل هوش مصنوعی قابل اعتماد

چگونه از LangGraph استفاده کنیم: راهنمای عملی برای ساخت عامل‌های هوش مصنوعی قابل اعتماد

LangGraph چیست و چرا باید از آن استفاده کنیم؟

مدل ذهنی اصلی: گره‌ها، لبه‌ها و حالت

نصب و راه‌اندازی

اولین LangGraph شما: یک حلقه تک‌عاملی حداقلی (پایتون)