Bina AI Agent dengan LangGraph: Tutorial Langkah demi Langkah

LangGraph ialah rangka kerja aras rendah LangChain untuk membina AI agent berstatus sebagai graf eksplisit bagi node dan edge, memberi anda kawalan terus ke atas cara agent bercabang, berhenti seketika dan mengekalkan keadaan sepanjang tugas yang berjalan lama. Ia ialah laluan kod yang dipilih pasukan apabila sesuatu tugas memerlukan logik bersyarat, aliran kelulusan berbilang langkah, atau memori yang bertahan berhari-hari dan bukannya satu perbualan. Panduan ini merangkumi apa sebenarnya LangGraph, cara memasangnya, panduan pembinaan penuh dengan dua contoh yang berfungsi, dan bila ia platform yang tepat berbanding alternatif.

Apa Sebenarnya LangGraph

LangGraph ialah rangka kerja orkestrasi aras rendah dan runtime untuk membina, mengurus dan menempatkan agent berstatus yang berjalan lama. Ia berasingan daripada abstraksi aras lebih tinggi LangChain: LangChain memberi anda model, alatan dan corak agent siap pakai; LangGraph memberi anda runtime berasaskan graf di bawahnya, tempat anda menakrifkan node sebagai langkah pengiraan, edge sebagai laluan antaranya, dan objek keadaan bersama yang mengalir melalui keseluruhan larian. Itu pilihan reka bentuk yang disengajakan: lalai yang munasabah apabila anda tidak memerlukan banyak kawalan, graf eksplisit apabila anda memerlukannya.

Penggunaan pengeluaran sebenar menyokong tawaran ini. Tulisan LangChain sendiri tentang LangGraph dalam pengeluaran menamakan Uber (migrasi kod berskala besar pada platform pembangunnya), LinkedIn (perekrut AI yang mengautomasikan pencarian dan pemesejan calon), Replit (sistem berbilang agent dengan semakan manusia dalam gelung), dan Elastic (mengorkestrasi rangkaian agent untuk pengesanan ancaman masa nyata) sebagai pengguna pengeluaran. Copilot pengurusan hartanah AppFolio, yang juga dibina di atas LangGraph, menjimatkan lebih 10 jam seminggu bagi pengurus hartanahnya dan menggandakan ketepatan keputusan mereka, hasil yang konkrit dan bukannya dakwaan penggunaan yang kabur.

Penempatan seperti itu semakin menjadi kebiasaan, bukan pengecualian. Gartner menjangkakan 40% aplikasi perusahaan akan menampilkan AI agent khusus tugas menjelang akhir 2026, meningkat daripada kurang 5% pada 2025, dan sebahagian besar peralihan itu berlaku dalam rangka kerja yang dibina khusus untuk sistem berbilang agent seperti LangGraph, tempat graf boleh memodelkan orchestrator yang menyerahkan kerja kepada beberapa node pakar dan bukannya satu model melakukan segalanya dalam satu laluan.

Kosa Kata LangGraph, Dipetakan kepada 6 Blok Binaan

Jika anda sudah membaca cara membina AI agent, anda tahu enam blok yang diperlukan setiap agent: Peranan, Alatan, Peraturan, Panduan senario, Logik keputusan dan Pagar pelindung. LangGraph memberi setiap satunya tempat yang konkrit dalam kod.

Tiada apa di sini yang unik kepada LangGraph dari segi konsep. Yang ditambah LangGraph ialah graf eksplisit yang boleh diperiksa dan bukannya gelung kotak hitam, iaitu jenis kawalan yang menurut AI agent no-code berbanding kod patut anda capai apabila logik sesuatu tugas menjadi benar-benar tersuai.

Memasang LangGraph

pip install -U langgraph langchain

langgraph ialah pustaka graf dan runtime teras. langchain menambah create_agent, titik masuk aras tinggi semasa untuk agent panggilan alatan standard, yang berjalan di atas LangGraph di bawahnya. Tetapkan kunci API bagi penyedia model anda sebagai pemboleh ubah persekitaran dan anda sedia untuk membina.

Laluan Pantas: create_agent

Bagi satu agent yang hanya memerlukan model, beberapa alatan dan system prompt, anda tidak perlu menyentuh graf secara langsung:

from langchain.agents import create_agent

def get_account_status(company: str) -> str:
    """Look up a customer account's status by company name."""
    return f"{company}: active, plan tier Growth, renewal in 45 days."

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[get_account_status],
    system_prompt="You are a support assistant. Answer only from tool results, never guess.",
)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "What's the status of Acme Corp's account?"}]}
)
print(result["messages"][-1].content)

Ini ialah mekanik cara AI agent menggunakan alatan yang sama yang digunakan setiap platform: terangkan fungsi, biarkan model memutuskan bila memanggilnya, suapkan semula hasilnya. create_agent menggantikan pembantu create_react_agent lama LangGraph sebagai titik permulaan yang disyorkan, idea yang sama, API yang lebih kemas.

Beralih ke Aras Lebih Rendah: Graf Tersuai dengan Penghalaan Bersyarat

Laluan pantas merangkumi banyak perkara, tetapi ia tidak dapat menyatakan "lakukan X, kemudian bercabang ke langkah semakan manusia hanya jika risiko ditandakan." Untuk itu, anda membina graf secara langsung. Berikut ialah aliran semakan kontrak yang dipermudah, hampir dengan pelan pembinaan AI Contract Review Agent: analisis kontrak, kemudian halakan kepada penyemak manusia atau luluskan secara automatik bergantung pada apa yang ditemui analisis.

from typing import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.checkpoint.memory import InMemorySaver

class ReviewState(TypedDict):
    contract_text: str
    risk_flagged: bool
    summary: str

def analyze_contract(state: ReviewState) -> dict:
    # call the model here to extract terms and set risk_flagged
    return {"risk_flagged": True, "summary": "Non-standard liability cap on page 4."}

def route_on_risk(state: ReviewState) -> str:
    return "human_review" if state["risk_flagged"] else "auto_approve"

def human_review(state: ReviewState) -> dict:
    return {"summary": state["summary"] + " Routed to legal for review."}

def auto_approve(state: ReviewState) -> dict:
    return {"summary": state["summary"] + " Auto-approved, no flags."}

graph = StateGraph(ReviewState)
graph.add_node("analyze", analyze_contract)
graph.add_node("human_review", human_review)
graph.add_node("auto_approve", auto_approve)

graph.add_edge(START, "analyze")
graph.add_conditional_edges("analyze", route_on_risk, {
    "human_review": "human_review",
    "auto_approve": "auto_approve",
})
graph.add_edge("human_review", END)
graph.add_edge("auto_approve", END)

app = graph.compile(checkpointer=InMemorySaver())

add_conditional_edges ialah blok logik keputusan yang dijadikan literal: selepas analyze dijalankan, route_on_risk memeriksa keadaan dan menghantar pelaksanaan ke salah satu daripada dua laluan bernama. Itulah cabang yang tidak dapat dinyatakan dengan kemas oleh gelung panggilan alatan linear tunggal, dan itulah sebab pasukan beralih kepada LangGraph apabila sistem berbilang agent atau aliran kelulusan berbilang langkah muncul.

Persistensi dan Memori

Argumen checkpointer pada compile() ialah yang menjadikan graf boleh disambung semula dan bukannya tanpa keadaan. InMemorySaver, seperti yang ditunjukkan di atas, sesuai untuk ujian setempat tetapi hilang apabila proses dimulakan semula. Graf pengeluaran menggunakan bahagian belakang yang berterusan, penyimpan checkpoint SQLite atau Postgres disediakan sebagai pakej berasingan yang boleh dipasang, dikunci oleh thread_id supaya keadaan larian tertentu boleh dimuat semula dan diteruskan berhari-hari kemudian. Itulah perbezaan memori kerja berbanding memori berterusan yang sama seperti yang dibincangkan secara umum dalam memori AI agent: checkpointer ialah jawapan konkrit LangGraph kepada memori berterusan.

Manusia dalam Gelung dengan Interrupt

Fungsi interrupt() LangGraph menjeda pelaksanaan graf pada titik tertentu dan menunggu input luaran sebelum menyambung semula, tepat seperti yang diperlukan oleh node human_review di atas dalam pelaksanaan sebenar dan bukannya logik ruang letak yang ditunjukkan. Seseorang (atau sistem lain) menyemak keadaan yang dijeda dan membalas, graf menyambung semula daripada titik tepat itu menggunakan keadaan yang disimpan di checkpoint dan bukannya bermula semula. Inilah mekanisme konkrit di sebalik pintu kelulusan yang dibincangkan secara umum dalam manusia dalam gelung untuk AI agent: graf tidak meneka bila manusia patut campur tangan, anda menyambungkan keputusan itu terus ke dalam logik penghalaan.

Pagar Pelindung dan Ujian Sebelum Anda Melancarkan

Edge bersyarat hanya sebaik logik yang menentukan arah penghalaan, jadi sahkan logik itu sebelum ia menyentuh kontrak, tiket atau rekod sebenar. Tambah pemeriksaan eksplisit dalam node (tolak atau cuba semula output yang gagal peraturan yang anda takrifkan) dan bukannya bergantung pada pertimbangan model semata-mata, disiplin yang dibincangkan dalam pagar pelindung AI agent. Dan jangan anggap graf siap selepas satu larian ujian yang bersih. Cara menilai dan menguji AI agent merangkumi pembinaan set ujian sebenar daripada kes sejarah, termasuk yang kompleks yang patut dihalakan kepada semakan manusia, sebelum mana-mana agent LangGraph menyentuh volum pengeluaran.

Kos dan Had

LangGraph sendiri percuma dan sumber terbuka. Yang anda bayar ialah penggunaan API LLM, dan graf dengan lebih banyak node dan lebih banyak cabang membuat lebih banyak panggilan model berbanding satu agent berskop baik yang melakukan tugas sama, pertukaran yang sama seperti yang dibincangkan dalam sistem berbilang agent. Jika anda tidak mahu menghos dan memantau graf sendiri, LangChain juga menawarkan LangGraph Platform, pilihan penempatan terhos berbayar dengan persistensi dan kebolehcerapan terbina dalam; menjalankannya sendiri tidak berkos apa-apa selain infrastruktur anda sendiri dan panggilan model.

Had sebenar bukan harga, tetapi hakikat bahawa LangGraph tidak menyediakan pembina visual dan tiada penyambung aplikasi siap pakai. Setiap integrasi, setiap dasar cuba semula, setiap pengendalian ralat ialah kod yang anda tulis, iaitu pertukaran langsung bagi kawalan yang diberikan graf berbanding logik terhad platform no-code.

Bila Memilih LangGraph berbanding Alternatif

Fakta Utama

• LangGraph ialah rangka kerja orkestrasi sumber terbuka aras rendah dan runtime untuk agent berstatus, berasingan tetapi melengkapi abstraksi aras lebih tinggi LangChain.
• Pengguna pengeluaran yang didokumenkan termasuk Uber, LinkedIn, Replit dan Elastic; copilot AppFolio yang dibina dengan LangGraph menjimatkan lebih 10 jam seminggu bagi pengurus hartanah dan menggandakan ketepatan keputusan.
• create_agent dalam pakej langchain ialah titik masuk aras tinggi yang disyorkan semasa, menggantikan pembantu create_react_agent lama, dan berjalan di atas LangGraph.
• StateGraph dengan add_conditional_edges ialah yang membolehkan agent bercabang berdasarkan outputnya sendiri, mekanik di sebalik aliran kelulusan dan logik keputusan berbilang langkah.
• checkpointer (dalam memori untuk ujian, SQLite atau Postgres untuk pengeluaran) menjadikan graf boleh disambung semula merentasi sesi, dikunci oleh thread_id.

Ke Mana Seterusnya

LangGraph ialah satu laluan kod ke agent yang berfungsi, bukan satu-satunya. Bina AI agent dengan CrewAI merangkumi rangka kerja yang lebih berasaskan peranan untuk kerja berbilang agent, dan jika anda masih memutuskan antara menulis kod dan menggunakan pembina visual, memilih platform AI agent menghuraikan keputusan itu secara langsung merentasi pilihan no-code, rangka kerja dan terurus. Setelah graf berfungsi dengan andal dalam ujian, menempatkan AI agent ke pengeluaran merangkumi pelan pelancaran dan pemulihan sebelum ia menyentuh volum sebenar. Rumusan alat pembangunan dan panduan pembelian pembantu pengekodan AI ialah perhentian seterusnya yang berguna untuk menulis dan menyelenggara kod itu sendiri dengan lebih pantas.