Першы агент LangChain на LangGraph у 2026 годзе

Большая калька развівачоў выконвала навучальныя матэрыялы LangChain і ў канцы ледзь не створыла чат-бота, які выдумвае назвы інструментоў і продовжае працаваць, пакуль не скінчыцца ліміт токенав. Ад завершання інсталяцыі да функцыйнальнага агента, готовага до вікорыстання, існуе вялікая разліка, а большасць навучальных матэрыялаў прыхоўчуе тыя часткі, якія вызываюць проблемы. Хто такі агент з внутрашняй стороны, як стварыць такі агент за дапамогою сучасных тэхналогій, якімі памылкамі трэба ухіляцца і як выглядае рэалістычная развертка ў тэхналогіях адуцыі.

Короткая версія: агент LangChain спаўнае разумовыя працэсы LLM з зовнішнімі інструментамі, каб завершыць багатоэтапныя заданні. Няўзабавна выданыя версіі LangChain вікорыстоўваюць LangGraph для стварэння агентоў, якія можаць цыклізаваць, замест толькі старог AgentExecutor. Інструменты, механізмы пошуку і памяць відпаведаюць за большую частку працы ў будзь-якім продакшн-рэшэнцыі.

Што робіць ўсё гэта агентам

Чат-бот прымае вхідныя даны і вяртае выходныя за адно пераходжэння. Агент берае цель, выбірае інструменты, запускае іх, аналізуе рэзультаты і прыме рашэнне пра наступны крок, павтараючы гэта пакуль не будзе досягнута цель або не спрацюе умова зупінкі. Самэўсёлкі разлік — у гэтым цыкле.

Гэта мае вельмі важны значэнь для продуктав для навучэння. Уявіце студэнта, які пішае: «Запытайце меня па 5-й главе, пераканайце мае пяць пярэдніх рэзультатаў тэстаў і зробіце тэст сложнейшым, якшчо мае балы будуць вышэй 80%.» Статычны чат-бот не можа гэта обрабацаваць. Агент можа разбіць запыт на часткі, вызваць API для тэстаў, запытаць базу дадзенаў з оцэнкамі, застосаваць умовную логіку і вярнуць персоналізаваны набор тэстаў. Платформы для навучэння і стартапы з LMS зараз ствараюць самэ такую архітэктуру.

Дызайн складаецца з трох слоёў:

• Основа на базе LLM, такая як GPT-4o, Claude, Gemini або мадэль з адкрытымі вагамі.

Слой інструментаў: звычныя функцыі Python, зовнішніе API або вбудаваныя інструменты LangChain, такія як Tavily Search, Wikipedia і спецыяльныя запіты SQL.

Слой памяці: ўсё, ад тымчасовага буфера для дыялога да дуггутэрмінальных сховішчаў вектароў або памяці для ентытаў.

З’едыніце іх за дапамогою машыны станоў LangGraph, і у вас будзе тое, што можна выкорыстоўваць у працэсе распрацоўкі.

Стварэнне такога рашэння, крок за крокам

Дзеяце па кроках у правільнай 순서. Адказы на які-небудзь крок ёсць частым прычынай таго, што новачкі не можуць працаваць, калі з’яўляюцца рэальныя корыстувачы.

1. Інсталюйце неабходныя пакеты. Заўважкайце pip install langchain langchain-openai langgraph langchain-community tavily-python на Python 3.11 або новейшай версіі. Занесіце OPENAI_API_KEY і TAVILY_API_KEY у зменныя сераўіса і ніколы не вводзіце іх у код як статычныя значэння.

Запісайце цель у адзіну фразу пры тым, як пачынаеце працаваць з кодам. Напрыклад: агент адпавядае на запытанні пра прагрэс студэнта ў курсе, запытваючы API LMS і падсумовуючы рэзультат. Нечыстаця целі прыводзяць да нефункцыйнальных агентоў, а чыстае ўзначэнне целі з самага пачатку заўсёды эканоміць гадзіны на адлучэнні бягаў.

Настроюйце модэль. Команда ChatOpenAI(model="gpt-4o", temperature=0) дае стабільнейшыя рашэнні, а значэнне temperature=0 важна для вызываў інструментоў, таму што яно зменшае верыгоднасць выдуманых вызываў. Для рэалізацый, чутлівых да костаў, gpt-4o-mini можа выконваць вялікую частку работ за значна меньшую цэну.

Адзначайце інструменты за дапамогою дэкаратара @tool. Кожны з іх — гэта функцыя на Python з чысткім докстрангам, таму што модэль чытае гэты докстранг, каб вярнуцца, калі яго вызваць. Некачэны докстранг значыць, што інструмент ніколі не будзе вызваны або будзе вызваны не тады.

Створыце стан і вузлы LangGraph. Заявіце схему стану у віглядзе TypedDict, створыце адзін вузел для рассуждэння модэлі і адзін для запуску інструментаў, а пасля з’яеднаце іх за дапамой StateGraph за дапамой умовных рэшэйкаў. Гэтыя рэшэйкі ствараюць цыкл рассуждэння.

Дадзіце памяць. Клас MemorySaver з LangGraph адпавядае за краткатрывалы стан. Для дзейнаўскай памяці, ад якой залежаць персаналізаваныя агенты навчання, падключыце хранілню вектараў, такую як Pinecone або Chroma.

Компілюйце, тэставайце і сачыце. Компілюйце за дапамой graph.compile(checkpointer=memory), запытайце яго тэстовым запытам і выкарыстоўваце платформу трэйсінгу LangChain — LangSmith, каб пераглядзець кожны крок: які інструмент быў запусцаны, якія даны з’явіліся і калі модэль выдалае рашэнне.

Зробіце ўсё болей жорсткім. Дадзіце можлівасць павторных спроб, ліміты бюджэту токенав (max_iterations), пераканальванне вхідных дадзеных і recursion_limit, ўбліжкі агент не зможа бесканечна цыклізаваць. Журналюйце кожны вызов інструмента ў вашай сістэме манітарынгу.

Як агенты выкарыстоўваюцца ў тэхналогіях адукацыі

Платформы LMS, такія як Moodle, Canvas чыста самастояльныя сістэмы, можу выкарыстоўваць агентов як падрабнікаў у курсах. Яны запытваюць пра оценкі, рэкамендуюць наступны модуль, пазначаюць студэнтав, якім трапляюць труднасці, інструктару і ствараюць запытанні для тэстав на аднойчынах, заванесеных у фармаце PDF, за дапамогою тэхналогій RAG. Адны з посерэдняяго размеру прадаўцоў LMS адзвярнуўся, што час, які інструктары вітрачаюць на адмініструванне, зменіўся на 40% пасля таго, як агенты запачалі адпавядаць на запытанні студэнтаў пра ўжо досягнуты прагрэс.

АІ-наставнікі лепша працуюць як агенты, а не як адзінаковыя вызывы модэляў. Наставнік перакантрацуе, што вучня ўжо знае (памяць), выбірае неабходны матэрыял курсу (RAG), налаштоввае спосаб адказаў (інструмент прыямоўкі праганаў) і плануе дадатковы тэст (інструмент календара). Інструменты LangChain дапамагаюць зберагчы весь гэты працэс у межах прыблізна 500 рэйкаў коду на Python.

Універсітэцкія і науковыя порталы таксама ўзможны для такога вікорыстоўвання. Аспіранты выкарыстоўваюць агенты для пошуку інформацыі ў інстытутскіх хранілішчах, стварэння апусоў статэй, перакантрацуе цітатаў і падготовкі раздзелаў з апытам літэратуры. Агент віконвае рутынную работу з выкарыстоўванням інформацыі, а студэнт здзейсняе аналіз, што ў разы належнай налаштовкі являецца розумным і безпечным па цітатах падходам.

Платформы для навчання, які базуюцься на навыках, такія як курсы програмавання і професійныя сертыфікаты, выкарыстоўваюць агентаў для рэальнага адзначэння коду, паўпорачання працы учня з певнымі крытэрамі, надання цялеспрабавных адзначэнняў і актуалізацыі графакоў навыкаў. Хорашая платформа не проста оцінюе — яна аналізуе, чым вызвана певная памылка учня, і стварае короткі, цялеспрабавны урок.

Выбір фрэймворку

Порэшчанне LangChain, LlamaIndex, CrewAI і AutoGen заслуговвае на самастоятны артыкул, але існуе простая правіла-памятка. LangChain з LangGraph — лепшы выбар для універсальных агентаў, якім патрэбны інструменты, памяць і механізмы аналізу. LlamaIndex прызначаны для працэсаў пошуку інформацыі і адпаведзення на запытанні ў дакументах. Большасць практычных сістэм выкарыстоўвае іх разам: LlamaIndex адпавядае за прыему і пошук даных, а LangChain керуе працай агента.

Працэўнае адбыццё адной-едзінай запроса выглядае так: паказваецца мета і запускаецца сістэмны прамт, насталяваецца мадэль і прыўязуюцься інструменты, ствараецца стан графа і вузлы, пасля чаго агент сам спрашвае, які інструмент йому патрэбен. Ён запускае той інструмент з створаным вхідным дадзеннем, аналізуе выходны рэзультат і вяршыць, чыры задача завершана чы не трэба продаваць гэты цыкл. Калі ён заканчыў, ён вяртае адпаведны адказ.

З гэтага адбыцця выдэляюцца калькі важлівых урокаў.

• Параметр тэмпературы мае большое значэнне, чым выбор мадэлі. Яго насталяванне на ноль для модэлі агента зазвычай значна зменшае колькасць фальшывых вызоў інструментаў, у пораўнанні з вышэйшымі значэннямі, незалежна ад таго, якую мадэль вы вжываеце. Будзь-які конкрэтны процэнт, які вы прачытаеце ў інтэрнэце, трэба спрыймаць як апроксымацыю і перапрацаваць яго на своіх інструментах.
• Докстрынгі ўжо ёсць інструкцыйныя кнігі для агента. Нечыткая опіс у аднай лініі — гэта найчастэйшая прычына няправільнага вжывання інструментаў у праектах пачатківаўцаў.

LangGraph заменіў AgentExecutor па важлівым разумным прычынам. AgentExecutor падходзіць для простых агентаў, якія выкаановаюць задачы ў одну параду, але для сістэм з розгалужэнням, крокаў, у якіх участвуе чалавек, або паралельнымі выклікамі інструментаў патрэбна машына станоў, заснованая на вузлах.

РАГ у поўнай суме разам з агентам даўа практычную цэннась для продуктам у сферэ адукацыі. Без возможнасьты запошуку інформацыі агент можа рассуждаваць толькі на адной базе навчальных дадзеных. З нею ж агент можа адпавядаць на запытанні пра фактычны контэнт курсу, даны студэнтаў або інстытутскія знаньні.

Відстэйкаванне дзеянь агента не ўскладнення — гэта неабходнасьць. Не выкладзіце агента без LangSmith чы ўтаманнага для яго засобу, таму што дэбаггін агента, які выкановае цыклы без відстэйкаў, ёсць толькі згадкамі, а з відстэйкамі аналіз прычыны проблемы займае калькі хвілін.

Практычны прыклад: служба падтрымкі буткампу

Гэта быў мяжовы онлайн-курс практычнага програміста, у яком было або 1 200 актыўных студэнтав, якія вучыліся па курсах Python, наукі пра даныя і розрабоцы веб-сайтаў. Служба падтрымкі адпавядала на больш чым 800 запытанняў студэнтав на тыдзень, пры чым ад 60% з іх былі паўтарэннія ўжо задаваных запытанняў пра канечныя тэрміны, адзынакі ўжо розпачатых праектаў і пошук інфармацыі ў навучальнай програме.

Да запуску такога агента троўцы штатныя спецыялісты адпавядалі на всі запытанні праз спяльную папку для пісьмоў. Серэдні час адпаведзення станавіў 6,2 гадзіны, рэйтынг задоволення студэнтав (CSAT) — 62%, а кожны інструктар вітрачаў або 11 гадзін на тыдзень на адпаведзення на адміністратыўныя запытанні.

Команда з двух разрабоцоў за шасць тыдзяней створыла агента LangGraph, які складаўся з чатырох інструментаў. Адны з іх адшукаў інфармацыю ў навучальным матэрыяле праз сістэму RAG, якая базавалася на базе знанняў LMS. Іншы пераглядаў прыбыль студэнтав у LMS праз API. Трэці вычысляў канечныя тэрміны на адпаведны час у календары курсаў. Чэтырты выканаў перадачу складных запытанняў людзям, пры чым адправляў усю неабходную інфармацыю.

Чэрвяць дзён пасля запуску былі такіяя рэзультаты:

• Агент развяліў 74% усіх прыйшоўых запітаў.
• Серэдні час адпаведзення зменіўся да 8 секундаў.
• Ураган CSAT падняўся да 81%.
• Колькасць запытанняў да людзкай падтрымкі зменілася на 52%.
• Кожны інструктар заўсёды зарабляў пра 7 гадзін у тыдзень.
• Косць развіцця была вярнута за апошнія 4,5 месцаў.

Самым значным урокам быў інструмент для эскалірацыі, які віявіўся найважлівейшым элементам у комплекце. Студэнты больш паверылі агенту, калі стала ясная, што ён знае сваія меры і будзе правільна перадаваць задачы. Дызайн такога перадавання прынёс больш задоволення, чым будзь-яе павышэнне якосці аналізу.

Этыя цыфры прайшлі з саўстаннічных атласоў команды, таму іх можна выкарыстоўваць як прыклад формы павышэння, а не як стандарт, які трэба досягнуць.

Чатыры распашчастыя памылкі

Іспытанне AgentExecutor для складных агентов

Ён не падкі ў спрыянні умовным розгалужэнням, паралельнай експансіі інструментаў чы стану, які застаецца працэсе размовы, а ў 2026 году гэтыя пункты ёсць стандартнымі вакалюнтамі. Перайдзіце на LangGraph. Спачатку крывая навучэння ўсё болей крутая, але вы отрымуеце паўны кантроль над ціклам разумовых вычынкаў, а сама дакументацыя LangChain цяпер паказвае LangGraph як стандарт для всіх не простых сцэнарыяў.

Абсенцыя ліміту рэкурсіі

Без recursion_limit агент, які заплутаўся, можа ціклізаваць без канца і выгарваць токены чы грошы. Рызык зрастае у агентах, якія актыўна выкарыстоўваюць інструменты, калі адна неудачная спроба можа спрычыніць павтаральныя перапробаванні. У налаштаваннях компіляцыі LangGraph задаце recursion_limit=25 чы меньш, а таксама запішыце явныя умовы зупінкі ў логіцы вашага вузла, замест таго каб залічыць рашэнне мадэлі.

Ранняе прыпінэнне трасування LangSmith

Калі агент дае некарэктны адказ, існуе дзесяткі момантаў, дзе ланцоуг могаў паспяць, і без жадных следоў вы працуеце з фінальным рэзультатам і толькі спадзяецеся. Увёльніце LangSmith з самага пачатку, адколькі ён бесплатны для распрацоўшчыкаў. Экспортуйце LANGCHAIN_TRACING_V2=true і LANGCHAIN_API_KEY прытаму, як толькі пачнёце пісаць першыя радкі коду агента, і вы будзеце рады пад час першай сесіі дэбагавання.

Стварэнне інструментаў з нечыткімі докстрынгамі

Выбір інструменту цалкам залежыць ад мадэлі, якая аналізуе ваш документаційній тэкст. Шчось на кшталт „отрымуе даныя корыстувача“ не дае ій можлівосты працюваты, тому яна будзе віклікаты інструмент віпадково або зовсім не будзе яго віклікаты. Уточніць мету інструменту, даныя, які ён прыймае, і сітуаціі, у якіх ён застосовуецца. Хорошый прыклад: отрымання останніх п’яты рэзультатыв тэстування студэнта з базі даных LMS за певнім student_id, што вікорыстовуецца, колі корыстувач запітуе про мінулі рэзультаты чы історыю тэстыв.

Швідкі адказы

Што робіць LangChain для початківців? Гэта фрэймворк на Python, які поеднуе мовні мадэлі з інструментамі, джэрэламі даных і памяццю. Ві перэдаеце мадэлі набір інструментаў, а яна сама вірышуе, які з ніх вікорыстаты для досягнення меты. Почніць з документаціі до швідкого старту і простого агента для вікліку інструментаў, перш ніж пробуваты багатокрокові робочы працэсі.

Чы гэты LangChain лепшы за LlamaIndex для агентаў? Для універсальных агентаў з інструментамі, памяцюючымі механізмамі і працэсамі разумавання, LangChain у поўнай версіі з LangGraph являецца лепшым выборам. LlamaIndex лепш прыстосаваны для пошуку і пераконтроўкі якосці документаў, і багатыя команды вжываюць які-небудзь з іх.

Сколькі часу трэба, каб стварыць першага агента? Просты агент з аднім інструментам для развіяльніка, які володзіць базовымі навыкамі Python, можа быць створаны за два-чатыры гадзіны. Агент промышленага рангу з калькама інструментаў, памяцюючымі механізмамі, адборам бягункоў і можлівасцю стэкхолдараў па LangSmith зазвычай ствараецца за адну-тры недзелі, залежна ад таго, насколькі незручныя ёсць API-і.

Што такое RAG і чырпаеце вы яго? Тэхналогія Retrieval-augmented generation дазволяе агенту адпаведзяць на запытанні пра вашы сабе даны — такія як матэрыялы курсаў, дакументы студэнтав чысто PDF-файлы — шляхом запрашэння актуальных фрагментаў да таго, як напісаць адпаведзенне. Яго неабходна тады, калі агенту трэба ведаць што-небудзь, чаго не было ў даных для навчання модэлю, што для продуктамі для навчання практычна завжды так.

Ci хто LangGraph заменяе LangChain? Не, ён яго расшыруе. LangChain забезпечвае базовыя элементы (модэлі, інструменты, памяць), а LangGraph дадае можлівасць керавання станам графа для выканання цыклів, розгалужэння і коордынацыі калькольнікаў. Гэта рэкамендаваны падход для будзь-якага не простага агента ў экасістэме LangChain.

Пачніце з малага

Ўжо не трэба быць дзеячам у галузі машыннага навучэння чы роўныму інжынерам вялікіх тэхналагічных кампаній, каб стварыць агентаў. Людзі, якія володзяць базавымі навыкамі Python, можаць стварыць рабочага агента за выходныя з адпаведнымі інструментамі, такімі як LangGraph, LangSmith, і чыстым працэсам. Адаптывальныя наставнікі, асістэнты LMS і трэнеры пра прагрэс знаходзяцца ў досяжнасці, а інструменты вастаткі ўжо настолькі розвіты, каб іх можна было вікорыстоўваць у працэсе вырабачання.

Команды, якія досягаюць успеху, — гэта не тые, у якіх самые большыя мадэлі. Яны добра разумеюць архітэктуру агентаў, ёсць можлівасць стварыць розумныя наборы інструментаў, надзеяны ўтрымкі ведамаў і эфектывае рашэнне проблем. Пачніце з адного інструмента, адной меты і адного агента, а потым будзіце ўдосконаляць.