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.

Kā izmantot LangGraph: praktisks ceļvedis uzticamu AI aģentu izveidē

Ja mēģinājāt veidot aģentu darbplūsmas, izmantojot vienkāršas ķēdes un rīkus, iespējams, esat saskārušies ar ierobežojumiem — neuzticamiem cikliem, trauslu vadības plūsmu un grūti atkļūdojamu stāvokli. LangGraph to maina, nodrošinot grafam raksturīgu veidu, kā izstrādāt, kontrolēt un izsekot aģenta uzvedību ar saglabāšanu un aizsardzības mehānismiem.

Šajā praktiskajā apmācībā jūs iemācīsities izmantot LangGraph no nulles līdz ražošanas gatavībai: kas tas ir, kā darbojas grafu modelis un kā veidot, testēt un iterēt reālās aģentu darbplūsmas — gan vienu aģentu, gan vairākus aģentus —, izmantojot Python vai JavaScript.

Vērts atzīmēt: ja veidojat uzvednes, veidojat plūsmas diagrammas vai koprediģējat kodu ar AI palīgu, Sider.AI var paātrināt jūsu LangGraph iterācijas (uzvedņu uzlabošanu, vienību testus un dokumentācijas meklēšanu) tieši pārlūkprogrammā. Sīkāka informācija pieejama https://sider.ai/.

Kas ir LangGraph un kāpēc to izmantot?

LangGraph ir ietvars aģentu un daudz-aģentu LLM lietojumprogrammu izveidei ar skaidru vadības plūsmu, pastāvīgu stāvokli un notikumu izsekošanu. Tā ir LangChain ekosistēmas daļa, bet tiek uzturēta kā atsevišķa pakotne. Izstrādātāji to izvēlas, lai padarītu aģentus uzticamākus un vieglāk kontrolējamus, izmantojot tādas funkcijas kā deterministiski savienojumi, atjaunojami kontrolpunkti un skaidrs mentālais modelis sarežģītiem cikliem un rīku lietošanai.

Galvenie iemesli, kāpēc komandas izvēlas LangGraph:

Uzticamība un aizsardzības mehānismi: precīzi definējiet, kad aģents var rīkoties, lūgt palīdzību vai nodot darbu citiem.

Atjaunojamība: saglabājiet stāvokļa kontrolpunktus, atkopieties no kļūdām un turpiniet no vietas, kur pārtraucāt.

Daudz-aģentu modeļi: savienojiet speciālistus, debatējiet vai izmantojiet uzrauga-darbinieka plūsmas.

Novērojamība: notikumu straumes un stāvokļa momentuzņēmumi padara atkļūdošanu saprotamu.

Ja dodat priekšroku strukturētai mācībai, oficiālais ievads LangGraph kursā ir labs sākumpunkts. Ir arī pilns video kurss iesācējiem, kas izskaidro sarežģītas sarunu AI darbplūsmas.

Galvenais mentālais modelis: mezgli, malas un stāvoklis

Iedomājieties LangGraph kā virzienotu grafu pār jūsu lietojumprogrammas stāvokli.

Mezgli: izpildāmas darbības (piemēram, izsaukt LLM, izmantot rīku, novirzīt pie cita aģenta).

Malas: maršrutēšanas loģika, kas nosaka, kurš mezgls izpildīsies nākamais.

Stāvoklis: tipizēts, apvienojams objekts (ziņas, mainīgie, rīku rezultāti), kas tiek nodots starp mezgliem.

Kanāli: nosauktas stāvokļa daļas, kuras mezgli var lasīt/rakstīt (piemēram, messages, context).

Kontrolpunkti: stāvokļa pastāvīgi momentuzņēmumi, kas ļauj turpināt vai veidot zarus.

Mezgls saņem pašreizējo stāvokli, to atjaunina un atgriež daļēju labojumu. Malas izvēlas nākamo mezglu, balstoties uz atjaunināto stāvokli. Tas padara ciklus, mēģinājumus un uzraudzību skaidrus, kas ir būtiski uzticamībai.

Instalācija un iestatīšana

LangGraph atbalsta Python un JavaScript/TypeScript. Izvēlieties savu tehnoloģiju steku un instalējiet kopā ar LangChain un savu izvēlēto LLM klientu.

Python:

pip install -U langgraph langchain openai
# Papildu: izsekošana, vektoru krātuves, rīki utt.

JavaScript/TypeScript:

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

Vides mainīgie:

export OPENAI_API_KEY=sk-... # vai jūsu izvēlētais pakalpojumu sniedzējs

Jūsu pirmais LangGraph: minimāls vienu aģentu cilpa (Python)

Šajā piemēra aģents domā, izmanto rīkus un nosaka, kad apstāties.

from typing import TypedDict, List
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
# 1) Definējiet stāvokli
action_token = "<act>" # vienkāršs signāls rīku lietošanai vai gala atbildei
class State(TypedDict):
messages: List.
- Bezmaksas ievada kurss LangGraph no LangChain akadēmijas.
- Pilns video kurss iesācējiem, kas aptver sarežģītas sarunu darbplūsmas.
## Kopsavilkums: no prototipa līdz uzticamiem aģentiem
LangGraph sniedz jums grafam raksturīgu kontroli pār LLM lietojumprogrammām: skaidras maršrutēšanas ceļas, atjaunojamu stāvokli un novērojamu uzvedību. Sāciet ar vienu vienkāršu aģentu cilpu, pēc tam pārejiet uz vairāk-aģentu uzraugiem, policijas vārtiem un cilvēka pārskatīšanu. Saglabājiet mezglus vienkāršus, stāvokli tīru un maršrutus deterministus.
Darbības soļi:
- Izveidojiet minimālu stāvokli un divus mezglus (`agent`, `tool`).
- Pievienojiet maršrutētāju ar skaidru `END` ceļu.
- Ieviesiet kontrolpunktus un testus pirms mērogošanas.
- Pakāpeniski pievienojiet rīkus un speciālistu aģentus, augot.
Ar šīm pamatnostādnēm un spēcīgu atkļūdošanas ciklu jūs radīsiet aģentu sistēmas, kas darbojas konsekventi ražošanā.
### Biežāk uzdotie jautājumi
J1: Kam tiek izmantots LangGraph?
LangGraph izmanto, lai veidotu uzticamas aģentu un daudz-aģentu darbplūsmas ar skaidru vadības plūsmu, pastāvīgu stāvokli un kontrolpunktiem. Tas ir ideāli piemērots cikliem, rīku lietošanai, cilvēku iesaistei un sarežģītai koordinācijai.
J2: Kā instalēt un iestatīt LangGraph?
Instalējiet ar `pip install langgraph langchain` (Python) vai `npm i @langchain/langgraph langchain` (JS/TS). Konfigurējiet savu LLM pakalpojumu sniedzēju (piemēram, `OPENAI_API_KEY`) un sāciet ar `State`, mezgliem un nosacītiem savienojumiem definēšanu.
J3: Vai LangGraph atšķiras no LangChain?
Jā. LangGraph ir atsevišķa pakotne, kas koncentrējas uz grafu balstītu orķestrāciju un stāvoklī saglabājamas, atjaunojamas darbplūsmas. Tā papildina LangChain modeļus, rīkus un integrācijas, pievienojot determinismu un uzticamību.
J4: Vai LangGraph var veidot daudz-aģentu sistēmas?
Protams. LangGraph atbalsta uzrauga–darbinieka modeļus, diskusiju vai komitejas aģentus un politikas vārtus. Jūs varat maršrutēt starp aģentiem, izmantojot nosacījumus un uzturēt koplietotu vai sadalītu stāvokli.
J5: Kā izvairīties no bezgalīgiem cikliem LangGraph?
Definējiet skaidrus nosacījumus cikla izbeigšanai un vienmēr nodrošiniet `END` ceļu maršrutētājos. Pievienojiet cilpu skaitītājus vai termiņus stāvoklī, apgrieziet ziņas un rakstiet vienību testus maršrutēšanas loģikas pārbaudei.

Kā lietot LangGraph: Praktisks ceļvedis uzticamu AI aģentu izveidei

Kā izmantot LangGraph: praktisks ceļvedis uzticamu AI aģentu izveidē

Kas ir LangGraph un kāpēc to izmantot?

Galvenais mentālais modelis: mezgli, malas un stāvoklis

Instalācija un iestatīšana

Jūsu pirmais LangGraph: minimāls vienu aģentu cilpa (Python)