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 ஐ எவ்வாறு பயன்படுத்துவது: நம்பகமான AI முகவர்களை கட்டமைக்க ஒரு நடைமுறை வழிகாட்டி

நீங்கள் சாதாரண சங்கிலிகள் மற்றும் கருவிகளுடன் முகவர் வேலைநடவடிக்கைகளை உருவாக்க முயன்றிருந்தீர்கள் என்றால், நீங்கள், பலமுறை, நம்பகமற்ற சுற்றங்கள், உடைந்த கட்டுப்பாட்டு ஓட்டம் மற்றும் கடினமாக பிழைதிருத்தப்படும் நிலை போன்ற கட்டுப்பாடுகளை சந்தித்திருப்பீர்கள். LangGraph, உங்கள் முகவர் நடத்தை வடிவமைக்க, கட்டுப்படுத்த, தொடரவும், நிலைத்தன்மை மற்றும் பாதுகாப்பு வகைகள் கொண்டுள்ள ஒரு கிராப்-நேட்டிவ் முறையை வழங்குவதன் மூலம் அதை மாற்றுகிறது.

இந்த நேரடி முன்னோட்டத்தில், நீங்கள் LangGraph ஐ எப்஫ோ முதல் தயாரிப்பு-தயாரான நிலையில் வரைபடமாக கற்றுக்கொண்டீர்கள்: அது என்ன, கிராப் மாதிரி எப்படி வேலை செய்கிறது, மற்றும் Python அல்லது JavaScript மூலம் உண்மையான முகவர் வேலைநடவடிக்கைகளை - ஒற்றை முகவரும் பல முகவர்களும் - உருவாக்குவது, சோதிப்பது மற்றும் திருத்துவது.

குறிப்பாக கூறவேண்டியவை: நீங்கள் முன்மொழிவுகளை வடிவமைத்தால், ஓட்டங்களை வரைந்தால் அல்லது AI உதவியாளருடன் கூட்டு நிரலாக்கம் செய்தால், Sider.AI உங்கள் LangGraph திருத்தங்களை (முன்மொழிவு நுட்பமும், அலகு சோதனைகளும், ஆவண தேடல்களும்) உங்கள் உலாவியில் விரைவுபடுத்த உதவும். விவரங்களுக்கு https://sider.ai/ பார்க்கவும்.

LangGraph என்றால் என்ன—ஏன் அதை பயன்படுத்த வேண்டும்?

LangGraph என்பது முகவர் மற்றும் பல முகவர் LLM செயலிகளை கட்டுப்பாட்டு ஓட்டம், நிலைத்தன்மை மற்றும் நிகழ்வு அடிப்படையிலான தொடர்ச்சியுடன் கட்டமைக்க ஒரு கட்டமைப்பு. இது LangChain சூழலின் ஒரு பகுதியாக இருந்தாலும், தனித்துப்பட்ட தொகுப்பாக பராமரிக்கப்படுகிறது. மேம்படுத்துபவர்கள் முகவர்களை நம்பகமானதும் கட்டுப்படுத்தக்கூடியதும் ஆக்க இதைப் பயன்படுத்துகிறார்கள்; இது தீர்மானமான விளிம్పுகள், மீண்டும் தொடரக்கூடியckeckpoints மற்றும் சிக்கலான சுற்றங்கள் மற்றும் கருவி பயன்பாட்டுக்கான தெளிவான மன விளக்கத்தை வழங்குகிறது.

LangGraph ஐ அணிமுகப்படுத்தும் முக்கிய காரணிகள்:

நம்பகத்தன்மை மற்றும் பாதுகாப்பு: முகவர் எப்போது செயல்படக்கூடும், உதவி கேட்கக்கூடும், அல்லது கடமை மாற்றக்கூடும் என்று துல்லியமாக வரையறுக்கவும்.

மீண்டும் தொடரக்கூடிய தன்மை: நிலையை checkpoint செய்து, தோல்வி ஏற்பட்டால் மீட்கவும், இடையில் இருந்து தொடரவும்.

பல முகவர் மாதிரிகள்: நிபுணர்களை இணைத்து, விவாதம் நடத்தவும் அல்லது மேற்பார்வையாளர்–ஊழியர் வேலைநடவடிக்கைகள்.

கவனித்தல்: நிகழ்வு ஓட்டங்கள் மற்றும் நிலை ஸ்நாப்ஷாட்கள் பிழைத்திருத்தத்தை சுலபமாக்குகின்றன.

உங்கள் விருப்பமான அமைப்பற்ற கற்றல் வழிமுறைக்காக, அதிகாரப்பூர்வமான Introduction to LangGraph பாடநெறி சிறந்த இடமாகும். அத்துடன் சிக்கலான உரையாடல் AI வேலைநடவடிக்கைகளை விரிவாக எடுத்துச்சொல்லும் ஆரம்ப நிலை வீடியோ பாடநெறியும் கிடைக்கிறது.

முக்கிய மன விளக்கம்: Nodes, Edges மற்றும் State

LangGraph ஐ உங்கள் செயலியின் நிலை மீது ஒரு இயக்கிய கிராப் என்று நினைக்கவும்.

Nodes: இயங்கக்கூடிய படிகள் (எ.கா., LLM ஐ அழைப்பு, கருவி இயக்கம், மற்றொரு முகவருக்குத் திருப்புதல்).

Edges: அடுத்த node எது இயங்க வேண்டும் என்பதை தீர்மானிக்கும் வழிமுறை வகை.

<a39>தெளிவான நிறுத்த நிபந்தனைகளை வரையறுக்கவும் மற்றும் எப்பொழுதும் உங்கள் ரௌட்டரில் `END` பாதையை வழங்கவும். நிலைமையில் சுற்ற எண்ணிக்கைகள் அல்லது கால அவகாசங்களை சேர்க்கவும், செய்திகள் குறைக்கவும் மற்றும் வழிச்செலுத்தல் நெறிமுறையை பரிசோதிக்கும் அலகு சோதனைகளை எழுதவும்.

Channels: பெயரிடப்பட்ட நிலை பகுதிகள், які நொடுகள் வாசிக்க/எழுதக்கூடும் (எ.கா., messages, context).

Checkpoints: நிலையின் தொடர்ச்சியான ஸ்நாப்ஷாட்கள், மீண்டும் தொடங்க அல்லது பிரித்து செயல்பட உதவும்.

ஒரு node தற்போதைய நிலையை பெற்றுக்கொண்டு, அதை புதுப்பித்து, ஒரு பகுதி திருத்தத்தை திருப்பி அளிக்கும். Edges முடிவாகும் நிலையின் அடிப்படையில் அடுத்த node ஐ தேர்வு செய்யும். இது சுற்றங்கள், மீண்டும் முயற்சிகள் மற்றும் மேற்பார்வையை தெளிவாக்கி வைக்கிறது, இது நம்பகத்தன்மைக்காக மிக முக்கியம்.

நிறுவல் மற்றும் அமைப்பு

LangGraph Python மற்றும் JavaScript/TypeScript களை ஆதரிக்கிறது. உங்கள் டெக்னாலஜி குவலை தேர்ந்தெடுத்து LangChain மற்றும் உங்கள் விருப்ப LLM கிளையண்டுடன் நிறுவவும்.

Python:

pip install -U langgraph langchain openai
# விருப்பமாக: தொடர்ச்சி நிகழ்வுகள், வெக்டர் கடைகள், கருவிகள், மற்றும் பிற.

JavaScript/TypeScript:

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

சுற்று சூழல் மாறிகள்:

export OPENAI_API_KEY=sk-... # அல்லது உங்கள் தேர்ந்த குடியமைப்பாளர்

உங்கள் முதல் LangGraph: ஒரு குறைந்தபட்ச ஒற்றை முகவர் சுற்று (Python)

இந்த எடுத்துக்காட்டு ஒரு எளிய முகவரைக் கட்டமைக்கிறது, அது காரணமாய்பு செய்கிறது, கருவிகளை பயன்படுத்துகிறது மற்றும் 언제 நிறுத்த வேண்டும் என்பதை தீர்மானிக்கிறது.

from typing import TypedDict, List
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
# 1) நிலையை வரையறு
action_token = "<act>" # கருவி பயன்பாடு மற்றும் இறுதி பதிலுக்கு இடையே எளிய சிக்னல்
class State(TypedDict):
messages: List.
- LangChain Academy இலிருந்து இலவச ஆரம்ப LangGraph பாடநெறி.
- சிக்கலான உரையாடல் வேலைநடவடிக்கைகளை விரிவாக கவரும் முழுமையான ஆரம்ப வீடியோ பாடநெறி.
## முடிவு: முதல் மாதிரியில் இருந்து நம்பகமான முகவர்களுக்குள்
<a15>LangGraph, LLM செயலிகளுக்கு கிராப்-நேட்டிவ் கட்டுப்பாட்டை அளிக்கிறது: தெளிவான வழிகள், மீண்டும் தொடரக்கூடிய நிலை மற்றும் கவனித்தல் நடத்தை. முதலில் ஒரு ஒற்றை முகவர் சுற்றுடன் தொடங்கி, பின்னர் பல முகவர் மேற்பார்வையாளர்கள், கொள்கை வாயில்கள் மற்றும் மனித ஆய்வுகளுக்குக் கற்றுக்கொள். Nodes எளிமையானவையாகவும், நிலை சுத்தமாகவும், வழிகள் தீர்மானமானவையாகவும் இருங்கள்.

LangGraph-ஐ எப்படி பயன்படுத்துவது: நம்பகமான AI ஏஜென்ட்களை உருவாக்குவதற்கான ஒரு நடைமுறை வழிகாட்டி

LangGraph ஐ எவ்வாறு பயன்படுத்துவது: நம்பகமான AI முகவர்களை கட்டமைக்க ஒரு நடைமுறை வழிகாட்டி

LangGraph என்றால் என்ன—ஏன் அதை பயன்படுத்த வேண்டும்?

முக்கிய மன விளக்கம்: Nodes, Edges மற்றும் State

நிறுவல் மற்றும் அமைப்பு

உங்கள் முதல் LangGraph: ஒரு குறைந்தபட்ச ஒற்றை முகவர் சுற்று (Python)