from langgraph import Graph, State
class MyState(State):
query: str
plan: str | None
artifacts: list
issues: list
# Węzły
def search_node(state):
# wywołanie narzędzia wyszukiwania w sieci, zapis źródeł
return {"artifacts": state.artifacts + ,.
---
## Kluczowe wnioski
- Modeluj workflow jako graf z jawnym stanem, by redukować dryf.
- Używaj walidatorów i checkpointów, by awarie były tanie i odwracalne.
- Zaczynaj od małego, udowodnij logikę trasowania, potem dodawaj równoległość i podgrafy.
- Rozważ CrewAI/AutoGen, jeśli wolisz metafory roli/dialogu zamiast stanów maszynowych.
### FAQ
P1:Czym jest LangGraph i czym różni się od LangChain Agents?
LangGraph to agentic state machine modelujący workflowy AI jako węzły i krawędzie z jawnym współdzielonym stanem. W porównaniu do stylu prompt-first ReAct LangChain Agents, LangGraph kładzie nacisk na deterministyczne trasowanie, pętle i wykonywanie z możliwością odzyskiwania.
P2:Czy LangGraph nadaje się do systemów wieloagentowych?
Tak. Można reprezentować role jako węzły lub podgrafy i koordynować je politykami oraz współdzielonym stanem, co sprawia, że współpraca wieloagentowa jest bardziej przewidywalna niż podejścia oparte tylko na dialogu.
P3:Kiedy wybrać LangGraph zamiast CrewAI lub AutoGen?
Wybierz LangGraph, gdy potrzebujesz ścisłej kontroli przepływu, pętli, bramek walidacyjnych i checkpointów. CrewAI lub AutoGen sprawdzą się lepiej, gdy zależy Ci na współpracy opartej na rolach lub dialogu z mniejszym naciskiem na jawny stan.
P4:Czy LangGraph wspiera pętle autorefleksji?
Tak. Twórcy często implementują w nim cykle refleksji i krytyki, które iteracyjnie poprawiają wyniki — to popularny wzorzec omawiany przez społeczność.
P5:Jak LangGraph radzi sobie z niezawodnością i odzyskiwaniem?
<a37>LangGraph wspiera checkpointy i jawny stan, umożliwiając ponawianie prób, wznawianie działania i bezpieczne obsługiwanie błędów — cechy podkreślane w dogłębnych recenzjach i przewodnikach praktyków.