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.

Kaip naudoti LangGraph: praktinis vadovas patikimų AI agentų kūrimui

Jei bandėte kurti agentinius darbo srautus naudojant paprastas grandines ir įrankius, tikriausiai susidūrėte su apribojimais – nepatikimais ciklais, trapia valdymo eiga ir sunkiai derinančia būsenos valdymą. LangGraph tai keičia, suteikdamas jums sukūrimą, valdymą ir agentų elgesio sekimą grafų pavidalu su išlaikoma būsena ir apsaugos mechanizmais.

Šiame praktiniame vadove išmoksite naudoti LangGraph nuo nulio iki gamybos lygio: kas tai yra, kaip veikia grafų modelis bei kaip kurti, testuoti ir tobulinti tikrus agentinius darbo srautus – tiek vieno agento, tiek kelių agentų – naudojant Python arba JavaScript.

Svarbu paminėti: jei kuriate promptus, braižote diagramas arba redaguojate kodą kartu su AI pagalbininku, Sider.AI gali pagreitinti jūsų LangGraph iteracijas (promptų tobulinimą, vienetinius testus ir dokumentacijos paiešką) tiesiai naršyklėje. Daugiau informacijos rasite https://sider.ai/.

Kas yra LangGraph ir kodėl jį verta naudoti?

LangGraph yra karkasas agentinėms ir kelių agentų LLM programoms kurti su aiškia valdymo eiga, išlaikoma būsena ir įvykių sekimu. Tai LangChain ekosistemos dalis, bet palaikoma kaip atskira biblioteka. Vystytojai ją renkasi, kad agentai būtų patikimesni ir kontroliuojami, pasižymintys deterministiniais kraštais, atnaujinamomis patikrinimo taškais ir aiškiu mentaliniu modeliu sudėtingiems ciklams bei įrankių naudojimui.

Pagrindinės priežastys, dėl kurių komandos renkasi LangGraph:

Patikimumas ir apsauga: tiksliai apibrėžti, kada agentas gali veikti, prašyti pagalbos ar perleisti veiksmus.

Galimybė tęsti darbą: saugoti būseną, atsigauti po gedimų ir tęsti nuo pertraukos vietos.

Kelių agentų modeliai: kurti specializuotus agentus, diskusijas ar prižiūrėtojo–darbuotojo procesus.

Stebimumas: įvykių srautai ir būsenos momentinės nuotraukos palengvina derinimą.

Jei jums patinka struktūruotas mokymasis, oficialus kursas „Įvadas į LangGraph“ yra patikima pradžia. Taip pat yra pilnas pradedančiųjų vaizdo kursas, apimantis sudėtingus kalbėjimo AI darbo srautus.

Pagrindinis mentalinis modelis: mazgai, kraštai ir būsena

Įsivaizduokite LangGraph kaip nukreiptą grafą, veikiantį jūsų programos būsenoje.

Mazgai: vykdomieji žingsniai (pvz., LLM kvietimas, įrankio paleidimas, maršrutavimas kitam agentui).

Kraštai: maršrutizavimo logika, nusakanti, kuris mazgas veikia toliau.

Būsena: tipiškas, sujungiamosios savybės turintis objektas (žinutės, kintamieji, įrankių rezultatai), perduodamas per mazgus.

Kanalai: pavadintų būsenos dalių rinkinys, kurias mazgai gali skaityti arba rašyti (pvz., messages, context).

Patikrinimo taškai: nuolatinės būsenos momentinės nuotraukos, leidžiančios tęsti ar šakoti darbo eigą.

Mazgas gauna esamą būseną, ją atnaujina ir grąžina dalinį pakeitimų rinkinį. Kraštai pasirenka kitą mazgą pagal naują būseną. Tai leidžia aiškiai valdyti ciklus, pakartojimus ir priežiūrą, kas esminė patikimumui.

Įdiegimas ir sąranka

LangGraph palaiko Python ir JavaScript/TypeScript. Pasirinkite technologiją ir įdiekite kartu su LangChain ir mėgstamu LLM klientu.

Python:

pip install -U langgraph langchain openai
# Pasirinktinai: sekimas, vektorinių duomenų saugyklos, įrankiai ir kitka

JavaScript/TypeScript:

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

Aplinkos kintamieji:

export OPENAI_API_KEY=sk-... # arba jūsų pasirinktas paslaugų teikėjas

Jūsų pirmasis LangGraph: minimalus vieno agente ciklas (Python)

Šis pavyzdys sukuria paprastą agentą, kuris mąsto, naudoja įrankius ir nusprendžia, kada sustoti.

from typing import TypedDict, List
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
# 1) Apibrėžkite būseną
action_token = "<act>" # paprastas signalas įrankio naudojimui arba galutiniam atsakymui
class State(TypedDict):
messages: List.
- Nemokamas įvadas į LangGraph iš LangChain akademijos.
- Pilnas pradedančiųjų vaizdo kursas, apimantis sudėtingus pokalbio darbo srautus.
## Baigiamasis žodis: nuo prototipo iki patikimų agentų
LangGraph suteikia jums grafų pavidalo kontrolę LLM programoms: aiškias maršrutus, tęsiamą būseną ir stebimą elgesį. Pradėkite nuo minimalios vieno agente kilpos, tada pereikite prie kelių agentų prižiūrėtojų, politikos vartų ir žmogaus patikros. Laikykite mazgus paprastus, būseną švarią, o maršrutus deterministinius.
Veiksmai:
- Sukurkite minimalų būsenos modelį ir du mazgus (`agent`, `tool`).
- Pridėkite maršrutizatorių su aiškiu `END` keliu.
- Įtraukite patikrinimo taškus ir testus prieš didinant sudėtingumą.
- Palaipsniui pridėkite įrankius ir specializuotus agentus augdami.
Su šiomis pamatinėmis žiniomis ir stipriu derinimo ciklu išsiųsite agentų sistemas, kurios elgsis nuosekliai gamyboje.
### DUK
K1: Kam naudojamas LangGraph?
LangGraph naudojamas kurti patikimus vieno arba kelių agentų darbo srautus su aiškia valdymo eiga, išlaikoma būsena ir patikrinimo taškais. Idealiai tinka ciklams, įrankių naudojimui, žmogiškojo įsikišimo žingsniams ir sudėtingai koordinacijai.
K2: Kaip įdiegti ir sąrankyti LangGraph?
Įdiekite su `pip install langgraph langchain` (Python) arba `npm i @langchain/langgraph langchain` (JS/TS). Konfigūruokite savo LLM paslaugų tiekėją (pvz., `OPENAI_API_KEY`) ir pradėkite apibrėždami `State`, mazgus ir sąlyginį maršrutizavimą.
K3: Ar LangGraph skiriasi nuo LangChain?
Taip. LangGraph yra atskira biblioteka, orientuota į grafinius darbo srautus su būsena ir galimybe tęsti darbą. Ji papildomai suteikia deterministiškumą ir patikimumą, papildydama LangChain modelius, įrankius ir integracijas.
K4: Ar galiu kurti kelių agentų sistemas su LangGraph?
Tikrai taip. LangGraph palaiko prižiūrėtojo–darbuotojo modelius, diskusijų arba komiteto agentus bei politikos vartus. Maršrutizuojate per sąlyginius kraštus ir galite dalinti arba segmentuoti būseną.
K5: Kaip išvengti begalinių ciklų LangGraph?
Apibrėžkite aiškias darbo pabaigos sąlygas ir visada suteikite `END` kelią maršrutizatoriuose. Pridėkite ciklų skaitiklius arba laikmačius būsenoje, šalinkite nereikalingas žinutes ir rašykite vienetinius testus, kad patikrintumėte maršrutizavimo logiką.

Kaip naudoti LangGraph: praktinis patikimų AI agentų kūrimo vadovas

Kaip naudoti LangGraph: praktinis vadovas patikimų AI agentų kūrimui

Kas yra LangGraph ir kodėl jį verta naudoti?

Pagrindinis mentalinis modelis: mazgai, kraštai ir būsena

Įdiegimas ir sąranka

Jūsų pirmasis LangGraph: minimalus vieno agente ciklas (Python)