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.

LangGraph कसा वापरावा: विश्वसनीय AI एजंट बांधण्याचे एक व्यावहारिक मार्गदर्शक

जर तुम्ही साध्या साखळ्या आणि साधनांसह एजंटिक वर्कफ्लोज बनवण्याचा प्रयत्न केला असेल, तर तुम्हाला कदाचित मर्यादा आल्या असतील—अविश्वसनीय लूप्स, नाजूक कंट्रोल फ्लो, आणि डीबग करणे कठीण असलेली स्थिती. LangGraph हे बदलून तुम्हाला ग्राफ-नेटिव्ह पद्धतीने एजंट वर्तन डिझाइन करणे, नियंत्रित करणे आणि ट्रेस करणे शक्य करते, स्थिरता आणि संरक्षणासह.

या हाताखालील ट्यूटोरियलमध्ये, तुम्ही LangGraph शून्यापासून प्रोडक्शन-रेडी वापरणे शिकाल: ते काय आहे, ग्राफ मॉडेल कसा काम करतो, आणि Python किंवा JavaScript वापरून वास्तविक एजंट वर्कफ्लोज—सिंगल-एजंट आणि मल्टी-एजंट—बांधणे, चाचणी करणे आणि सुधारणे कसे करावे.

लक्षात ठेवण्यासारखे: जर तुम्ही प्रॉम्प्ट्स ड्राफ्ट करता, फ्लो डायग्राम करता किंवा AI सहाय्यकासह कोड को-एडिट करता, तर Sider.AI तुमच्या ब्राउझरमध्येच तुमच्या LangGraph सुधारणा (प्रॉम्प्ट परिष्करण, युनिट चाचण्या, आणि डॉक लुकअप्स) वेगवान करू शकते. तपशीलांसाठी https://sider.ai/ पहा.

LangGraph काय आहे—आणि का वापरावे?

LangGraph हा एजंटिक आणि मल्टी-एजंट LLM अनुप्रयोग बांधण्यासाठी एक फ्रेमवर्क आहे, जो स्पष्ट कंट्रोल फ्लो, स्थिर स्थिती, आणि इव्हेंट-आधारित ट्रेसिंगसह उपलब्ध आहे. हे LangChain इकोसिस्टमचा भाग आहे पण स्वतंत्र पॅकेज म्हणून देखरेख केले जाते. डेव्हलपर्स जटिल लूप्स आणि साधन वापरासाठी स्वच्छ मानसिक मॉडेलसह, निर्धारक किनारे, पुन्हा सुरू करता येणारे चेकपॉइंट्स आणि इतर वैशिष्ट्यांसह एजंट्स अधिक विश्वसनीय आणि नियंत्रित करण्यासाठी निवडतात.

संघ LangGraph स्वीकारण्याची मुख्य कारणे:

विश्वसनीयता आणि संरक्षण: एखादा एजंट नेमके केव्हा कार्य करू शकतो, मदत मागू शकतो किंवा हस्तांतरित करू शकतो हे परिभाषित करा.

पुन्हा सुरू करण्याची क्षमता: स्थिती चेकपॉइंट करा, अपयशांपासून पुनर्प्राप्त करा आणि जिथे थांबलात तिथे पुढे चालू करा.

मल्टी-एजंट पॅटर्न्स: तज्ञ एकत्र करा, वादविवाद करा किंवा सुपरवायझर–वर्कर फ्लोज.

निरीक्षणक्षमता: इव्हेंट स्ट्रीम्स आणि स्थिती स्नॅपशॉट्स डीबगिंग सोपी करतात.

जर तुम्ही संरचित शिकणे पसंत करता, तर अधिकृत Introduction to LangGraph कोर्स सुरुवातीसाठी एक चांगली जागा आहे. जटिल संभाषणात्मक AI वर्कफ्लोजमधून फिरवणारा एक संपूर्ण नवशिक्यांसाठी अनुकूल व्हिडिओ कोर्स देखील उपलब्ध आहे.

मुख्य मानसिक मॉडेल: नोड्स, एजेस आणि स्टेट

LangGraph ला तुमच्या अनुप्रयोग स्थितीवर एक दिशात्मक ग्राफ म्हणून विचार करा.

नोड्स: कार्यान्वित करता येणारे चरण (उदा., LLM ला कॉल करा, साधन चालवा, दुसऱ्या एजंटकडे रूट करा).

एजेस: पुढचा कोणता नोड चालेल हे ठरवणारा रूटिंग लॉजिक.

स्टेट: नोड्समधून नेली जाणारी एक टाइप केलेली, विलीन करता येणारी वस्तू (संदेश, चल, साधन परिणाम).

चॅनेल्स: नोड्स वाचू/लिहू शकणारे स्टेटचे नामांकित तुकडे (उदा., messages, context).

चेकपॉइंट्स: स्टेटचे स्थिर स्नॅपशॉट्स जे पुन्हा सुरू करणे किंवा शाखा करणे शक्य करतात.

एक नोड सध्याची स्थिती प्राप्त करतो, ती अद्ययावत करतो, आणि आंशिक पॅच परत करतो. एजेस परिणामी स्थितीवर आधारित पुढचा नोड निवडतात. हे लूप्स, रिट्रायज, आणि सुपरविजन स्पष्ट करते, जे विश्वसनीयतेसाठी महत्त्वाचे आहे.

इंस्टॉलेशन आणि सेटअप

LangGraph Python आणि JavaScript/TypeScript सपोर्ट करते. तुमचा स्टॅक निवडा आणि LangChain आणि तुमचा पसंतीचा LLM क्लायंटसह इंस्टॉल करा.

Python:

pip install -U langgraph langchain openai
# ऐच्छिक: ट्रेसिंग, वेक्टर स्टोअर्स, साधने, इ.

JavaScript/TypeScript:

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

एन्व्हायरनमेंट व्हेरिएबल्स:

export OPENAI_API_KEY=sk-... # किंवा तुमचा निवडलेला प्रोवाइडर

तुमचा पहिला LangGraph: एक किमान सिंगल-एजंट लूप (Python)

हा उदाहरण एक साधा एजंट बनवते जो तर्क करतो, साधने वापरतो, आणि कधी थांबायचे ते ठरवतो.

from typing import TypedDict, List
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
# 1) स्टेट परिभाषित करा
action_token = "<act>" # साधन-वापरासाठी साधा सिग्नल अंतिम उत्तरासाठी
class State(TypedDict):
messages: List.
- LangChain Academy कडून LangGraph चा विनामूल्य परिचय कोर्स.
- नवशिक्यांसाठी एक संपूर्ण व्हिडिओ कोर्स, जटिल संभाषणात्मक वर्कफ्लोज कव्हर करतो.
## समाप्ती: प्रोटोटाइपपासून विश्वसनीय एजंट्स पर्यंत
LangGraph तुम्हाला LLM अनुप्रयोगांवर ग्राफ-नेटिव्ह कंट्रोल देते: स्पष्ट मार्ग, पुन्हा सुरू करता येणारी स्थिती, आणि निरीक्षण करता येणारे वर्तन. एका सिंगल-एजंट लूपसह लहान सुरुवात करा, नंतर मल्टी-एजंट सुपरवायझर्स, पॉलिसी गेट्स, आणि मानवी समीक्षेकडे जा. नोड्स सोपे ठेवा, स्टेट स्वच्छ ठेवा, आणि मार्ग निर्धारक ठेवा.
कृतीच्या चरणे:
- एक किमान स्टेट आणि दोन नोड्स (`agent`, `tool`) स्कॅफोल्ड करा.
- एक स्पष्ट `END` पथासह राऊटर जोडा.
- स्केल अप करण्यापूर्वी चेकपॉइंट्स आणि चाचण्या सादर करा.
- वाढताना साधने आणि तज्ञ एजंट्स थरात थर जोडा.
या पायाआधारे—आणि एक मजबूत डीबगिंग लूपसह—तुम्ही प्रोडक्शनमध्ये सुसंगत वागणारे एजंट सिस्टम्स शिप कराल.
### सामान्य प्रश्न
Q1: LangGraph चा वापर कशासाठी होतो?
LangGraph चा वापर स्पष्ट कंट्रोल फ्लो, स्थिर स्थिती, आणि चेकपॉइंट्ससह विश्वसनीय एजंट आणि मल्टी-एजंट वर्कफ्लोज बांधण्यासाठी होतो. हे लूप्स, साधन वापर, मानवी-सहभागी चरणे, आणि जटिल ऑर्केस्ट्रेशनसाठी आदर्श आहे.
Q2: LangGraph इंस्टॉल आणि सेटअप कसा करावा?
`pip install langgraph langchain` (Python) किंवा `npm i @langchain/langgraph langchain` (JS/TS) सह इंस्टॉल करा. तुमचा LLM प्रोवाइडर कॉन्फिगर करा (उदा., `OPENAI_API_KEY`) आणि `State`, नोड्स, आणि कंडिशनल एजेस परिभाषित करून सुरुवात करा.
Q3: LangGraph LangChain पेक्षा वेगळा आहे का?
होय. LangGraph हा एक स्वतंत्र पॅकेज आहे जो ग्राफ-आधारित ऑर्केस्ट्रेशन आणि स्टेटफुल, पुन्हा सुरू करता येणाऱ्या वर्कफ्लोजवर लक्ष केंद्रित करतो. हे LangChain चे मॉडेल्स, साधने, आणि इंटिग्रेशन्स पूरक करते, निर्धारकता आणि विश्वसनीयता जोडते.
Q4: LangGraph सह मल्टी-एजंट सिस्टम्स बांधू शकतो का?
नक्कीच. LangGraph सुपरवायझर–वर्कर पॅटर्न्स, वादविवाद किंवा समिती एजंट्स, आणि पॉलिसी गेट्स सपोर्ट करते. तुम्ही कंडिशनल एजेसद्वारे एजंट्स दरम्यान रूट करता आणि सामायिक किंवा विभागलेली स्थिती राखता.
Q5: LangGraph मध्ये अनंत लूप्स कसे टाळावेत?
स्पष्ट समाप्ती अटी परिभाषित करा आणि राऊटरमध्ये नेहमी `END` पथ प्रदान करा. स्टेटमध्ये लूप काउंटर्स किंवा टाइमआउट्स जोडा, संदेश काढून टाका, आणि रूटिंग लॉजिक सत्यापित करण्यासाठी युनिट चाचण्या लिहा.

LangGraph कसे वापरावे: विश्वसनीय AI एजंट्स तयार करण्यासाठी एक व्यावहारिक मार्गदर्शक

LangGraph कसा वापरावा: विश्वसनीय AI एजंट बांधण्याचे एक व्यावहारिक मार्गदर्शक

LangGraph काय आहे—आणि का वापरावे?

मुख्य मानसिक मॉडेल: नोड्स, एजेस आणि स्टेट

इंस्टॉलेशन आणि सेटअप

तुमचा पहिला LangGraph: एक किमान सिंगल-एजंट लूप (Python)