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.

Cara Menggunakan LangGraph: Panduan Praktis untuk Membangun Agen AI yang Andal

Jika Anda pernah mencoba membangun alur kerja agentik dengan rantai dan alat biasa, mungkin Anda menemui batasan—loop yang tidak dapat diandalkan, alur kontrol yang rapuh, dan status yang sulit untuk di-debug. LangGraph mengubah hal ini dengan memberikan cara desain, kontrol, dan pelacakan perilaku agen berbasis grafik dengan persistensi dan pengaman.

Dalam tutorial praktis ini, Anda akan belajar bagaimana menggunakan LangGraph dari nol hingga siap produksi: apa itu LangGraph, bagaimana model grafik bekerja, serta cara membangun, menguji, dan mengulangi alur kerja agen nyata—baik single-agent maupun multi-agent—menggunakan Python atau JavaScript.

Perlu dicatat: jika Anda membuat draf prompt, mendiagram alur, atau mengedit kode bersama asisten AI, Sider.AI dapat mempercepat iterasi LangGraph Anda (penyempurnaan prompt, pengujian unit, dan pencarian dokumentasi) langsung di browser Anda. Lihat https://sider.ai/ untuk detail.

Apa Itu LangGraph—dan Mengapa Menggunakannya?

LangGraph adalah kerangka kerja untuk membangun aplikasi LLM agenik dan multi-agen dengan alur kontrol eksplisit, status yang persisten, dan pelacakan berbasis peristiwa. Ini merupakan bagian dari ekosistem LangChain namun dipelihara sebagai paket terpisah. Pengembang memilih LangGraph untuk membuat agen lebih andal dan terkendali, dengan fitur seperti edge deterministik, checkpoint yang bisa dilanjutkan kembali, dan model mental yang jelas untuk loop dan penggunaan alat yang kompleks.

Alasan utama tim mengadopsi LangGraph:

Keandalan dan pengaman: definisikan kapan agen bisa bertindak, meminta bantuan, atau menyerahkan tugas.

Kemampuan melanjutkan: checkpoint status, pulihkan dari kegagalan, dan lanjutkan dari titik terakhir.

Pola multi-agen: komposisi spesialis, debat, atau alur supervisor–worker.

Observabilitas: stream peristiwa dan snapshot status memudahkan debugging.

Jika Anda suka belajar secara terstruktur, kursus resmi Introduction to LangGraph adalah tempat yang baik untuk memulai. Ada juga kursus video lengkap yang ramah pemula yang membahas alur kerja AI percakapan yang kompleks.

Model Mental Inti: Node, Edge, dan Status

Bayangkan LangGraph sebagai grafik berarah atas status aplikasi Anda.

Node: langkah yang dapat dijalankan (misalnya, memanggil LLM, menjalankan alat, mengarahkan ke agen lain).

Edge: logika rute yang menentukan node mana yang dijalankan berikutnya.

Status: objek berjenis dan dapat digabung (pesan, variabel, hasil alat) yang dibawa antar node.

Channel: bagian status bernama yang bisa dibaca/diisi node (misalnya, messages, context).

Checkpoint: snapshot persistent dari status yang memungkinkan Anda melanjutkan atau membuat cabang.

Sebuah node menerima status saat ini, memperbaruinya, dan mengembalikan patch parsial. Edge memilih node berikutnya berdasarkan status hasil update tersebut. Ini membuat loop, retry, dan supervisi menjadi eksplisit, hal yang krusial untuk keandalan.

Instalasi dan Setup

LangGraph mendukung Python dan JavaScript/TypeScript. Pilih stack Anda dan instal bersamaan dengan LangChain serta client LLM favorit Anda.

Python:

pip install -U langgraph langchain openai
# Opsional: tracing, vector stores, tools, dan lain-lain.

JavaScript/TypeScript:

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

Variabel lingkungan:

export OPENAI_API_KEY=sk-... # atau penyedia yang Anda pilih

LangGraph Pertama Anda: Loop Agen Minimal (Python)

Contoh ini membangun agen sederhana yang melakukan penalaran, menggunakan alat, dan memutuskan kapan berhenti.

from typing import TypedDict, List
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
# 1) Definisikan Status
action_token = "<act>" # sinyal sederhana untuk penggunaan alat vs. jawaban akhir
class State(TypedDict):
messages: List.
- Kursus Introduksi Gratis ke LangGraph dari LangChain Academy.
- Kursus video lengkap untuk pemula, membahas alur kerja AI percakapan yang kompleks.
## Kesimpulan: Dari Prototipe ke Agen Andal
LangGraph memberikan kontrol berbasis grafik atas aplikasi LLM: rute eksplisit, status yang dapat dilanjutkan, dan perilaku yang terpantau. Mulailah dari loop agen tunggal yang sederhana, lalu kembangkan ke supervisor multi-agen, gerbang kebijakan, dan tinjauan manusia. Pertahankan node sederhana, status bersih, dan rute deterministik.
Tahapan tindakan:
- Bangun status minimal dan dua node (`agent`, `tool`).
- Tambahkan router dengan jalur `END` yang jelas.
- Perkenalkan checkpoint dan pengujian sebelum melakukan skalasi.
- Masukkan alat dan agen spesialis seiring pertumbuhan.
Dengan pondasi ini—dan siklus debugging yang baik—Anda akan mengirimkan sistem agen yang berperilaku konsisten di produksi.
### FAQ
Q1:Apa fungsi LangGraph?
LangGraph digunakan untuk membangun alur kerja agen dan multi-agen yang andal dengan alur kontrol eksplisit, status persisten, dan checkpoint. Cocok untuk loop, penggunaan alat, langkah human-in-the-loop, dan orkestrasi kompleks.
Q2:Bagaimana cara instal dan mengatur LangGraph?
Instal dengan `pip install langgraph langchain` (Python) atau `npm i @langchain/langgraph langchain` (JS/TS). Konfigurasikan penyedia LLM Anda (misalnya, `OPENAI_API_KEY`) dan mulailah dengan mendefinisikan `State`, node, dan edge kondisi.
Q3:Apakah LangGraph berbeda dengan LangChain?
Ya. LangGraph adalah paket terpisah yang fokus pada orkestrasi berbasis grafik dan alur kerja stateful yang bisa dilanjutkan. Ia melengkapi model, alat, dan integrasi LangChain dengan menambahkan determinisme dan keandalan.
Q4:Bisa membangun sistem multi-agen dengan LangGraph?
Tentu saja. LangGraph mendukung pola supervisor–worker, agen debat atau komite, dan gerbang kebijakan. Anda mengarahkan antar agen melalui edge kondisional dan mengelola status yang dibagi atau tersegmentasi.
Q5:Bagaimana mencegah loop tak berujung di LangGraph?
<a39>Definisikan kondisi penghentian yang jelas dan selalu sertakan jalur `END` pada router. Tambahkan penghitung loop atau timeout dalam status, pangkas pesan, dan tulis pengujian unit untuk memverifikasi logika routing.