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.

Cách Sử Dụng LangGraph: Hướng Dẫn Thực Hành Để Xây Dựng Các Tác Nhân AI Đáng Tin Cậy

Nếu bạn đã thử xây dựng các quy trình làm việc dạng tác nhân với các chuỗi và công cụ đơn giản, có lẽ bạn đã gặp phải các giới hạn—vòng lặp không đáng tin cậy, luồng điều khiển dễ gãy và trạng thái khó gỡ lỗi. LangGraph thay đổi điều đó bằng cách cung cấp cho bạn một cách tiếp cận dựa trên đồ thị để thiết kế, điều khiển và theo dõi hành vi của tác nhân với tính bền vững và các rào chắn.

Trong hướng dẫn thực hành này, bạn sẽ học cách sử dụng LangGraph từ cơ bản đến sẵn sàng cho sản xuất: nó là gì, mô hình đồ thị hoạt động như thế nào, và cách xây dựng, kiểm thử và lặp lại trên các quy trình làm việc thực tế của tác nhân—đơn tác nhân và đa tác nhân—sử dụng Python hoặc JavaScript.

Đáng lưu ý: nếu bạn soạn thảo lời nhắc, vẽ sơ đồ luồng hoặc đồng chỉnh sửa mã với một trợ lý AI, Sider.AI có thể tăng tốc các lần lặp LangGraph của bạn (tinh chỉnh lời nhắc, kiểm thử đơn vị và tra cứu tài liệu) ngay trong trình duyệt. Xem https://sider.ai/ để biết chi tiết.

LangGraph Là Gì—và Tại Sao Nên Sử Dụng Nó?

LangGraph là một khuôn khổ để xây dựng các ứng dụng LLM dạng tác nhân và đa tác nhân với luồng điều khiển rõ ràng, trạng thái bền vững và theo dõi dựa trên sự kiện. Nó là một phần của hệ sinh thái LangChain nhưng được duy trì như một gói riêng biệt. Các nhà phát triển chọn nó để làm cho các tác nhân đáng tin cậy và dễ kiểm soát hơn, với các tính năng như cạnh xác định, điểm kiểm tra có thể tiếp tục và mô hình tư duy sạch sẽ cho các vòng lặp phức tạp và sử dụng công cụ.

Các lý do chính mà các nhóm áp dụng LangGraph:

Độ tin cậy và rào chắn: xác định chính xác khi nào một tác nhân có thể hành động, yêu cầu trợ giúp hoặc chuyển giao.

Khả năng tiếp tục: lưu trạng thái tại điểm kiểm tra, phục hồi từ lỗi và tiếp tục từ nơi bạn dừng lại.

Mẫu đa tác nhân: kết hợp các chuyên gia, tranh luận hoặc luồng giám sát–công nhân.

Khả năng quan sát: các luồng sự kiện và ảnh chụp trạng thái làm cho việc gỡ lỗi trở nên hợp lý.

Nếu bạn thích học có cấu trúc, khóa học Giới thiệu về LangGraph chính thức là một nơi tốt để bắt đầu. Ngoài ra còn có một khóa học video hoàn chỉnh thân thiện với người mới bắt đầu, hướng dẫn qua các quy trình làm việc AI hội thoại phức tạp.

Mô Hình Tư Duy Cốt Lõi: Nút, Cạnh và Trạng Thái

Hãy nghĩ về LangGraph như một đồ thị có hướng trên trạng thái ứng dụng của bạn.

Nút: các bước thực thi (ví dụ: gọi một LLM, chạy một công cụ, định tuyến đến một tác nhân khác).

Cạnh: logic định tuyến xác định nút nào chạy tiếp theo.

Trạng thái: một đối tượng có kiểu, có thể hợp nhất (tin nhắn, biến, kết quả công cụ) được mang qua các nút.

Kênh: các phần trạng thái có tên mà nút có thể đọc/ghi (ví dụ: messages, context).

Điểm kiểm tra: ảnh chụp bền vững của trạng thái cho phép bạn tiếp tục hoặc phân nhánh.

Một nút nhận trạng thái hiện tại, cập nhật nó và trả về một bản vá từng phần. Các cạnh chọn nút tiếp theo dựa trên trạng thái kết quả. Điều này làm cho các vòng lặp, thử lại và giám sát trở nên rõ ràng, điều quan trọng cho độ tin cậy.

Cài Đặt và Thiết Lập

LangGraph hỗ trợ Python và JavaScript/TypeScript. Chọn ngăn xếp của bạn và cài đặt cùng với LangChain và client LLM ưa thích của bạn.

Python:

pip install -U langgraph langchain openai
# Tùy chọn: theo dõi, kho lưu trữ vector, công cụ, v.v.

JavaScript/TypeScript:

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

Biến môi trường:

export OPENAI_API_KEY=sk-... # hoặc nhà cung cấp bạn chọn

LangGraph Đầu Tiên Của Bạn: Một Vòng Lặp Đơn Tác Nhân Tối Thiểu (Python)

Ví dụ này xây dựng một tác nhân đơn giản biết lý luận, sử dụng công cụ và quyết định khi nào dừng.

from typing import TypedDict, List
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
# 1) Định Nghĩa Trạng Thái
action_token = "<act>" # tín hiệu đơn giản cho việc sử dụng công cụ so với câu trả lời cuối cùng
class State(TypedDict):
messages: List.
- Khóa học Giới thiệu Miễn phí về LangGraph từ LangChain Academy.
- Một khóa học video hoàn chỉnh cho người mới bắt đầu, bao gồm các quy trình làm việc hội thoại phức tạp.
## Tổng Kết: Từ Nguyên Mẫu Đến Các Tác Nhân Đáng Tin Cậy
LangGraph cung cấp cho bạn khả năng kiểm soát dựa trên đồ thị đối với các ứng dụng LLM: các đường dẫn rõ ràng, trạng thái có thể tiếp tục và hành vi có thể quan sát. Bắt đầu nhỏ với một vòng lặp đơn tác nhân, sau đó nâng cấp lên các giám sát đa tác nhân, cổng chính sách và xem xét của con người. Giữ các nút đơn giản, trạng thái sạch sẽ và các đường dẫn xác định.
Bước hành động:
- Tạo khung một trạng thái tối thiểu và hai nút (`agent`, `tool`).
- Thêm một bộ định tuyến với một đường dẫn `END` rõ ràng.
- Giới thiệu các điểm kiểm tra và kiểm thử trước khi mở rộng quy mô.
- Tích hợp các công cụ và tác nhân chuyên gia khi bạn phát triển.
Với những nền tảng này—và một vòng lặp gỡ lỗi mạnh mẽ—bạn sẽ triển khai các hệ thống tác nhân hoạt động nhất quán trong sản xuất.
### Câu Hỏi Thường Gặp
Q1: LangGraph được sử dụng để làm gì?
LangGraph được sử dụng để xây dựng các quy trình làm việc đáng tin cậy của tác nhân và đa tác nhân với luồng điều khiển rõ ràng, trạng thái bền vững và điểm kiểm tra. Nó lý tưởng cho các vòng lặp, sử dụng công cụ, các bước có con người tham gia và điều phối phức tạp.
Q2: Làm thế nào để cài đặt và thiết lập LangGraph?
Cài đặt với `pip install langgraph langchain` (Python) hoặc `npm i @langchain/langgraph langchain` (JS/TS). Cấu hình nhà cung cấp LLM của bạn (ví dụ: `OPENAI_API_KEY`) và bắt đầu bằng cách định nghĩa một `State`, các nút và các cạnh có điều kiện.
Q3: LangGraph có khác với LangChain không?
Có. LangGraph là một gói riêng biệt tập trung vào điều phối dựa trên đồ thị và các quy trình làm việc có trạng thái, có thể tiếp tục. Nó bổ sung cho các mô hình, công cụ và tích hợp của LangChain, thêm tính xác định và độ tin cậy.
Q4: Tôi có thể xây dựng hệ thống đa tác nhân với LangGraph không?
Chắc chắn. LangGraph hỗ trợ các mẫu giám sát–công nhân, các tác nhân tranh luận hoặc ủy ban, và các cổng chính sách. Bạn định tuyến giữa các tác nhân thông qua các cạnh có điều kiện và duy trì trạng thái chia sẻ hoặc phân đoạn.
Q5: Làm thế nào để ngăn chặn vòng lặp vô hạn trong LangGraph?
Định nghĩa các điều kiện kết thúc rõ ràng và luôn cung cấp một đường dẫn `END` trong các bộ định tuyến. Thêm bộ đếm vòng lặp hoặc thời gian chờ trong trạng thái, tỉa bớt tin nhắn và viết các kiểm thử đơn vị để xác minh logic định tuyến.

Hướng dẫn sử dụng LangGraph: Hướng dẫn thực hành xây dựng các AI Agent đáng tin cậy

Cách Sử Dụng LangGraph: Hướng Dẫn Thực Hành Để Xây Dựng Các Tác Nhân AI Đáng Tin Cậy

LangGraph Là Gì—và Tại Sao Nên Sử Dụng Nó?

Mô Hình Tư Duy Cốt Lõi: Nút, Cạnh và Trạng Thái

Cài Đặt và Thiết Lập

LangGraph Đầu Tiên Của Bạn: Một Vòng Lặp Đơn Tác Nhân Tối Thiểu (Python)