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 کو کیسے استعمال کریں: قابلِ اعتماد AI ایجنٹس بنانے کے لیے ایک عملی رہنما

اگر آپ نے سادہ زنجیروں اور ٹولز کے ساتھ ایجنٹک ورک فلوز بنانے کی کوشش کی ہے، تو آپ شاید حدود سے ٹکرا چکے ہوں گے—ناقابلِ اعتماد لوپس، کمزور کنٹرول فلو، اور ڈیبگ کرنے میں مشکل اسٹیٹ۔ LangGraph آپ کو گراف-نیٹیو طریقہ فراہم کر کے اس کو تبدیل کرتا ہے تاکہ آپ استقامت اور گارڈریلز کے ساتھ ایجنٹ کے رویے کو ڈیزائن، کنٹرول اور ٹریس کر سکیں۔

اس عملی ٹیوٹوریل میں، آپ سیکھیں گے کہ LangGraph کو زیرو سے پروڈکشن کے لیے تیار کیسے استعمال کیا جائے: یہ کیا ہے، گراف ماڈل کیسے کام کرتا ہے، اور Python یا JavaScript کا استعمال کرتے ہوئے حقیقی ایجنٹ ورک فلوز—سنگل-ایجنٹ اور ملٹی-ایجنٹ—کو کیسے بنایا، ٹیسٹ کیا اور دہرایا جائے۔

یہ بات قابلِ ذکر ہے: اگر آپ AI اسسٹنٹ کے ساتھ پرامپٹس تیار کرتے ہیں، فلو ڈایاگرام بناتے ہیں، یا کوڈ کو مشترکہ طور پر ایڈٹ کرتے ہیں، تو Sider.AI آپ کے براؤزر میں ہی LangGraph کی تکرار کو تیز کر سکتا ہے (فوری اصلاح، یونٹ ٹیسٹ، اور دستاویزات کی تلاش)۔ تفصیلات کے لیے https://sider.ai/ دیکھیں۔

LangGraph کیا ہے—اور اسے کیوں استعمال کریں؟

LangGraph واضح کنٹرول فلو، مستقل اسٹیٹ، اور ایونٹ پر مبنی ٹریسنگ کے ساتھ ایجنٹک اور ملٹی ایجنٹ LLM ایپلیکیشنز بنانے کے لیے ایک فریم ورک ہے۔ یہ LangChain ایکو سسٹم کا حصہ ہے لیکن اسے ایک علیحدہ پیکیج کے طور پر برقرار رکھا جاتا ہے۔ ڈویلپرز ایجنٹوں کو زیادہ قابلِ اعتماد اور کنٹرول کرنے کے لیے اسے منتخب کرتے ہیں، جس میں ڈیٹرمینسٹک ایجز، ریزیومیبل چیک پوائنٹس، اور پیچیدہ لوپس اور ٹول کے استعمال کے لیے ایک صاف ذہنی ماڈل جیسی خصوصیات شامل ہیں۔

ٹیموں کے LangGraph کو اپنانے کی اہم وجوہات:

قابلِ اعتماد اور گارڈریلز: واضح طور پر وضاحت کریں کہ ایجنٹ کب عمل کر سکتا ہے، مدد کے لیے کب پوچھ سکتا ہے، یا کب ہاتھ بٹا سکتا ہے۔

ریزیومیبلٹی: چیک پوائنٹ اسٹیٹ، ناکامیوں سے بازیافت، اور وہیں سے جاری رکھیں جہاں سے آپ نے چھوڑا تھا۔

ملٹی ایجنٹ پیٹرن: ماہرین، بحث، یا سپروائزر-ورکر فلو کو مرتب کریں۔

آبزرویبلٹی: ایونٹ اسٹریمز اور اسٹیٹ سنیپ شاٹس ڈیبگنگ کو آسان بناتے ہیں۔

اگر آپ منظم طریقے سے سیکھنے کو ترجیح دیتے ہیں، تو LangGraph کورس کا آفیشل تعارف شروع کرنے کے لیے ایک ٹھوس جگہ ہے۔ یہاں ایک مکمل ابتدائی دوستانہ ویڈیو کورس بھی ہے جو پیچیدہ گفتگو پر مبنی AI ورک فلوز سے گزرتا ہے۔

بنیادی ذہنی ماڈل: نوڈس، ایجز، اور اسٹیٹ

LangGraph کو اپنی ایپلیکیشن اسٹیٹ پر ایک ہدایت یافتہ گراف کے طور پر سوچیں۔

نوڈس: قابلِ عمل اقدامات (مثلاً، LLM کو کال کریں، ایک ٹول چلائیں، کسی دوسرے ایجنٹ کو بھیجیں)۔

ایجز: روٹنگ منطق جو یہ طے کرتی ہے کہ اگلا نوڈ کون سا چلے گا۔

اسٹیٹ: ایک ٹائپ شدہ، مرج ایبل آبجیکٹ (پیغامات، متغیرات، ٹول کے نتائج) جو نوڈس میں لے جایا جاتا ہے۔

چینلز: اسٹیٹ کے نامزد حصے جنہیں نوڈس پڑھ/لکھ سکتے ہیں (مثلاً، messages، context)۔

چیک پوائنٹس: اسٹیٹ کے مستقل سنیپ شاٹس جو آپ کو دوبارہ شروع کرنے یا برانچ کرنے دیتے ہیں۔

ایک نوڈ موجودہ اسٹیٹ وصول کرتا ہے، اسے اپ ڈیٹ کرتا ہے، اور ایک جزوی پیچ واپس کرتا ہے۔ ایجز نتیجے میں آنے والی اسٹیٹ کی بنیاد پر اگلا نوڈ منتخب کرتے ہیں۔ یہ لوپس، دوبارہ کوششوں، اور نگرانی کو واضح کرتا ہے، جو قابلِ اعتماد ہونے کے لیے بہت ضروری ہے۔

انسٹالیشن اور سیٹ اپ

LangGraph Python اور JavaScript/TypeScript کو سپورٹ کرتا ہے۔ اپنا اسٹیک منتخب کریں اور LangChain اور اپنے پسندیدہ LLM کلائنٹ کے ساتھ انسٹال کریں۔

Python:

pip install -U langgraph langchain openai
# اختیاری: ٹریسنگ، ویکٹر اسٹورز، ٹولز، وغیرہ۔

JavaScript/TypeScript:

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

ماحولیاتی متغیرات:

export OPENAI_API_KEY=sk-... # یا آپ کا منتخب کردہ فراہم کنندہ

آپ کا پہلا LangGraph: ایک کم سے کم سنگل-ایجنٹ لوپ (Python)

یہ مثال ایک سادہ ایجنٹ بناتی ہے جو استدلال کرتا ہے، ٹولز استعمال کرتا ہے، اور یہ فیصلہ کرتا ہے کہ کب رکنا ہے۔

from typing import TypedDict, List
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
# 1) اسٹیٹ کی وضاحت کریں
action_token = "<act>" # ٹول کے استعمال بمقابلہ حتمی جواب کے لیے سادہ سگنل
class State(TypedDict):
messages: List.
- LangChain اکیڈمی کی جانب سے LangGraph کورس کا مفت تعارف۔</a10>- ابتدائی افراد کے لیے ایک مکمل ویڈیو کورس، جو پیچیدہ گفتگو پر مبنی ورک فلوز کا احاطہ کرتا ہے۔</a11></a12>## اختتامیہ: پروٹوٹائپ سے قابلِ اعتماد ایجنٹس تک</a13></a14>LangGraph آپ کو LLM ایپلیکیشنز پر گراف-نیٹیو کنٹرول فراہم کرتا ہے: واضح راستے، ریزیومیبل اسٹیٹ، اور قابلِ مشاہدہ رویہ۔ ایک سنگل-ایجنٹ لوپ کے ساتھ چھوٹی شروعات کریں، پھر ملٹی-ایجنٹ سپروائزرز، پالیسی گیٹس، اور انسانی جائزے میں گریجویٹ ہوں۔ نوڈس کو سادہ، اسٹیٹ کو صاف، اور راستوں کو متعین رکھیں۔</a15></a16></a17>عمل کے اقدامات:</a18>- ایک کم سے کم اسٹیٹ اور دو نوڈس (`agent`, `tool`) کو اسکیفولڈ کریں۔</a19>- ایک واضح `END` پاتھ کے ساتھ ایک روٹر شامل کریں۔</a20>- اسکیل کرنے سے پہلے چیک پوائنٹس اور ٹیسٹ متعارف کروائیں۔</a21>- جیسے جیسے آپ بڑھتے ہیں ٹولز اور ماہر ایجنٹس کو پرت کریں۔</a22></a23>ان بنیادوں—اور ایک مضبوط ڈیبگنگ لوپ—کے ساتھ، آپ ایجنٹ سسٹمز بھیجیں گے جو پروڈکشن میں مستقل طور پر برتاؤ کرتے ہیں۔</a24></a25>### اکثر پوچھے جانے والے سوالات</a26>Q1:LangGraph کس لیے استعمال ہوتا ہے؟</a27>LangGraph واضح کنٹرول فلو، مستقل اسٹیٹ، اور چیک پوائنٹس کے ساتھ قابلِ اعتماد ایجنٹ اور ملٹی ایجنٹ ورک فلوز بنانے کے لیے استعمال ہوتا ہے۔ یہ لوپس، ٹول کے استعمال، انسانی-در-لوپ اقدامات، اور پیچیدہ آرکسٹریشن کے لیے مثالی ہے۔</a28></a29>Q2:میں LangGraph کو کیسے انسٹال اور سیٹ اپ کروں؟</a30>`pip install langgraph langchain` (Python) یا `npm i @langchain/langgraph langchain` (JS/TS) کے ساتھ انسٹال کریں۔ اپنے LLM فراہم کنندہ (مثلاً، `OPENAI_API_KEY`) کو ترتیب دیں اور `State`، نوڈس اور مشروط ایجز کی وضاحت کرکے شروع کریں۔</a31></a32>Q3:کیا LangGraph LangChain سے مختلف ہے؟</a33>جی ہاں۔ LangGraph ایک علیحدہ پیکیج ہے جو گراف پر مبنی آرکسٹریشن اور اسٹیٹ فل، ریزیومیبل ورک فلوز پر توجہ مرکوز کرتا ہے۔ یہ LangChain کے ماڈلز، ٹولز اور انضمام کی تکمیل کرتا ہے، ڈیٹرمینزم اور قابلِ اعتمادیت کا اضافہ کرتا ہے۔</a34></a35>Q4:کیا میں LangGraph کے ساتھ ملٹی ایجنٹ سسٹم بنا سکتا ہوں؟</a36>بالکل۔ LangGraph سپروائزر-ورکر پیٹرن، بحث یا کمیٹی ایجنٹس، اور پالیسی گیٹس کو سپورٹ کرتا ہے۔ آپ مشروط ایجز کے ذریعے ایجنٹوں کے درمیان روٹ کرتے ہیں اور مشترکہ یا تقسیم شدہ اسٹیٹ کو برقرار رکھتے ہیں۔</a37></a38>Q5:میں LangGraph میں لامحدود لوپس کو کیسے روکوں؟</a39>واضح ختم ہونے والی شرائط کی وضاحت کریں اور ہمیشہ روٹرز میں ایک `END` پاتھ فراہم کریں۔ اسٹیٹ میں لوپ کاؤنٹرز یا ٹائم آؤٹس شامل کریں، پیغامات کو پرون کریں، اور روٹنگ منطق کی تصدیق کے لیے یونٹ ٹیسٹ لکھیں۔

LangGraph کو کیسے استعمال کریں: قابل اعتماد AI ایجنٹس بنانے کے لیے ایک عملی گائیڈ

LangGraph کو کیسے استعمال کریں: قابلِ اعتماد AI ایجنٹس بنانے کے لیے ایک عملی رہنما

LangGraph کیا ہے—اور اسے کیوں استعمال کریں؟

بنیادی ذہنی ماڈل: نوڈس، ایجز، اور اسٹیٹ

انسٹالیشن اور سیٹ اپ

آپ کا پہلا LangGraph: ایک کم سے کم سنگل-ایجنٹ لوپ (Python)