from langgraph import Graph, State
class MyState(State):
query: str
plan: str | None
artifacts: list
issues: list
# Čvorovi
def search_node(state):
# poziv web pretrage, upis izvora
return {"artifacts": state.artifacts + ,.
---
## Ključni zaključci
- Modelujte vaš radni tok kao graf sa eksplicitnim stanjem da smanjite skretanje.
- Koristite validatore i kontrolne tačke da učinite greške jeftinim i lakim za oporavak.
- Počnite mali, dokazujte logiku usmeravanja, pa tek onda uvodite paralelizam i podgrafove.
- Razmotrite CrewAI/AutoGen ako preferirate metafore uloga/dijaloga naspram stanja mašina.
### Česta pitanja
P1: Šta je LangGraph i čime se razlikuje od LangChain agenata?
LangGraph je agentna mašina stanja koja modeluje AI radne tokove kao čvorove i veze sa eksplicitnim zajedničkim stanjem. U poređenju sa prompt-prvim ReAct stilom LangChain agenata, LangGraph naglašava determinističko usmeravanje, petlje i izvršenje koje se može ponovo pokrenuti.
P2: Da li je LangGraph dobar za višagentne sisteme?
Da. Možete predstavljati uloge kao čvorove ili podgrafove i koordinisati ih politikama i zajedničkim stanjem, čineći saradnju agenata predvidljivijom nego kod pristupa zasnovanih samo na dijalogu.
P3: Kada treba koristiti LangGraph umesto CrewAI ili AutoGen?
Izaberite LangGraph kada vam je potrebna stroga kontrola toka, petlje, validacijski mehanizmi i tačke za čuvanje. CrewAI ili AutoGen su bolji ako cenite saradnju zasnovanu na ulogama ili dijalogu sa manjim naglaskom na eksplicitno stanje.
P4: Da li LangGraph podržava petlje samorefleksije?
Da. Programeri često implementiraju cikluse refleksije i kritike koji iterativno poboljšavaju izlaze, što je često tema u zajednici.
P5: Kako LangGraph upravlja pouzdanošću i oporavkom?
<a37>LangGraph podržava tačke za čuvanje i eksplicitno stanje, omogućavajući ponovne pokušaje, nastavak i sigurnije upravljanje greškama — funkcije istaknute u dubinskim recenzijama i vodičima za praktikante.