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 Praktikal untuk Membangun Agen AI yang Boleh Dipercayai

Jika anda pernah mencuba membina aliran kerja agen dengan chains dan tools biasa, anda mungkin menghadapi had—gelung tidak boleh dipercayai, aliran kawalan rapuh, dan keadaan sukar untuk debug. LangGraph mengubah situasi itu dengan memberi anda cara semula jadi berasaskan graf untuk mereka bentuk, mengawal, dan mengesan tingkah laku agen dengan persistensi dan perlindungan.

Dalam tutorial praktikal ini, anda akan belajar cara menggunakan LangGraph dari asas hingga siap produksi: apa itu, bagaimana model graf berfungsi, dan cara membina, menguji, dan memperbaiki aliran kerja agen sebenar—agen tunggal dan pelbagai agen—menggunakan Python atau JavaScript.

Perlu diingat: jika anda membuat draf prompt, merangka aliran, atau bekerjasama mengedit kod dengan pembantu AI, Sider.AI dapat mempercepatkan iterasi LangGraph anda (penambahbaikan prompt, ujian unit, dan carian dokumen) terus dalam pelayar anda. Lihat https://sider.ai/ untuk maklumat lanjut.

Apa Itu LangGraph—dan Mengapa Menggunakannya?

LangGraph ialah rangka kerja untuk membina aplikasi LLM agen dan multi-agen dengan aliran kawalan eksplisit, keadaan persisten, dan penjejakan berasaskan peristiwa. Ia sebahagian daripada ekosistem LangChain tetapi diselenggara sebagai pakej berasingan. Para pembangun memilihnya untuk menjadikan agen lebih boleh dipercayai dan boleh dikawal, dengan ciri seperti tepi deterministik, titik semak yang boleh disambung semula, dan model mental yang jelas untuk gelung kompleks dan penggunaan alat.

Sebab utama pasukan menggunakan LangGraph:

Kebolehpercayaan dan perlindungan: tentukan dengan tepat kapan agen boleh bertindak, meminta bantuan, atau menyerahkan tugasan.

Boleh disambung semula: titik semak keadaan, pulihkan dari kegagalan, dan sambung di tempat terakhir.

Corak multi-agen: gabungkan pakar, perbahasan, atau aliran penyelia–pekerja.

Kebolehlihatan: aliran peristiwa dan rakaman keadaan membantu menjadikan debug mudah difahami.

Jika anda sukakan pembelajaran berstruktur, kursus rasmi Pengenalan kepada LangGraph adalah tempat yang baik untuk bermula. Terdapat juga kursus video lengkap untuk pemula yang membimbing aliran kerja AI perbualan kompleks.

Model Mental Teras: Nodes, Edges, dan State

Fikirkan LangGraph sebagai graf berarah ke atas keadaan aplikasi anda.

Nodes: langkah boleh laksana (contoh: panggil LLM, jalankan alat, rujuk kepada agen lain).

Edges: logik penghalaan yang menentukan node mana yang akan berjalan seterusnya.

State: objek berjenis yang boleh digabungkan (mesej, pembolehubah, hasil alat) yang dibawa merentasi nodes.

Channels: bahagian keadaan bernama yang boleh dibaca/ditulis oleh nodes (contoh, mesej, konteks).

Titik Semak: rakaman keadaan persisten yang membolehkan anda menyambung semula atau bercabang.

Sebuah node menerima keadaan semasa, mengemas kini, dan memulangkan tampalan separa. Edges memilih node seterusnya berdasarkan keadaan yang terhasil. Ini menjadikan gelung, cuba semula, dan penyeliaan menjadi eksplisit, amat penting untuk kebolehpercayaan.

Pemasangan dan Persediaan

LangGraph menyokong Python dan JavaScript/TypeScript. Pilih tumpukan anda dan pasang bersama LangChain dan klien LLM pilihan anda.

Python:

pip install -U langgraph langchain openai
# Pilihan: penjejakan, stor vektor, alat, dll.

JavaScript/TypeScript:

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

Pembolehubah persekitaran:

export OPENAI_API_KEY=sk-... # atau penyedia pilihan anda

LangGraph Pertama Anda: Gelung Agen Tunggal Minimal (Python)

Contoh ini membina agen ringkas yang berfikir, menggunakan alat, dan memutuskan bila hendak berhenti.

from typing import TypedDict, List
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
# 1) Definisikan State
action_token = "<act>" # isyarat mudah untuk penggunaan alat vs jawapan akhir
class State(TypedDict):
messages: List.
- Kursus Pengenalan LangGraph percuma dari LangChain Academy.
- Kursus video lengkap untuk pemula, merangkumi aliran kerja perbualan kompleks.
## Kesimpulan: Dari Prototaip ke Agen Boleh Dipercayai
LangGraph memberikan kawalan semula jadi berasaskan graf ke atas aplikasi LLM: laluan eksplisit, keadaan yang boleh disambung semula, dan tingkah laku yang boleh diperhatikan. Mula kecil dengan gelung agen tunggal, kemudian maju ke penyelia multi-agen, pintu dasar, dan semakan manusia. Kekalkan nodes mudah, keadaan bersih, dan laluan deterministik.
Tindakan yang perlu diambil:
- Bentuk keadaan minimal dan dua nodes (`agent`, `tool`).
- Tambahkan penghala dengan laluan `END` yang jelas.
- Masukkan titik semak dan ujian sebelum mengembangkan.
- Lapiskan alat dan agen pakar ketika berkembang.
Dengan asas ini—dan loop debug yang kukuh—anda akan menghantar sistem agen yang bertindak konsisten dalam produksi.
### Soalan Lazim (FAQ)
Q1: Apa kegunaan LangGraph?
LangGraph digunakan untuk membina aliran kerja agen dan multi-agen yang boleh dipercayai dengan aliran kawalan eksplisit, keadaan persisten, dan titik semak. Sesuai untuk gelung, penggunaan alat, langkah manusia-dalaman-gelung, dan orkestrasi kompleks.
Q2: Bagaimana cara pasang dan sediakan LangGraph?
Pasang dengan `pip install langgraph langchain` (Python) atau `npm i @langchain/langgraph langchain` (JS/TS). Konfigurasikan penyedia LLM anda (contoh, `OPENAI_API_KEY`) dan mula dengan mendefinisikan `State`, nodes, serta edges bersyarat.
Q3: Adakah LangGraph berbeza dengan LangChain?
Ya. LangGraph adalah pakej berasingan yang memfokus pada orkestrasi berasaskan graf dan aliran kerja berstatus yang boleh disambung semula. Ia melengkapi model, alat, dan integrasi LangChain dengan menambah determinisme dan kebolehpercayaan.
Q4: Bolehkah saya bina sistem multi-agen dengan LangGraph?
Boleh. LangGraph menyokong corak penyelia–pekerja, agen debat atau jawatankuasa, serta pintu dasar. Anda menghala antara agen melalui edges bersyarat dan mengekalkan keadaan yang dikongsi atau berasingan.
Q5: Bagaimana saya elakkan gelung tanpa henti dalam LangGraph?
<a39>Tentukan syarat tamat yang jelas dan sentiasa sediakan laluan `END` dalam penghala. Tambah pengira gelung atau had masa dalam keadaan, buang mesej lama, dan tulis ujian unit untuk mengesahkan logik penghalaan.

Cara Menggunakan LangGraph: Panduan Praktikal untuk Membina Ejen AI yang Boleh Dipercayai

Cara Menggunakan LangGraph: Panduan Praktikal untuk Membangun Agen AI yang Boleh Dipercayai

Apa Itu LangGraph—dan Mengapa Menggunakannya?

Model Mental Teras: Nodes, Edges, dan State

Pemasangan dan Persediaan

LangGraph Pertama Anda: Gelung Agen Tunggal Minimal (Python)