langgraph agents hitl checkpoints multi-agent production

LangGraph dla agentów produkcyjnych: punkty kontrolne, HITL oraz grafy wieloagentowe

Dlaczego łańcuchy zatrzymują się i wznowiają działanie w cyklach, oraz w jaki sposób węzły, krawędzie LangGraph oraz narzędzia do zapisywania stanów umożliwiają działanie agentów produkcyjnych przy jednoczesnej możliwości przeglądu przez człowieka.

Wydawca: REACTAPP.TOPDodane na tej stronie 26 wrz 20267 min czytania1610 słów

Źródła: LangGraph Explained: Build Production-Ready AI Agents in 2026

Czym jest LangGraph?

LangGraph to środowisko wykonawcze do tworzenia agentów stanowych, wieloetapowych w postaci wyraźnych grafów: węzły wykonują zadania, krawędzie decydują o dalszym toku działania, a wspólny stan przetrwa między etapami – włącznie po awariach i przerwach dokonanych przez człowieka.

Dwa lata temu wiele „agentów” składało się z pętli while wokół modelu LLM bez możliwości odzyskania stanu. Awarie w trakcie wykonywania zadania oznaczały konieczność rozpoczynania od nowa. Grafy sprawiają, że pamięć, rozgałęzianie i kontynuacja działania są elementami pierwszej klasy.

Dlaczego łańcuchy nie wystarczały

Łańcuchy LCEL doskonale sprawdzają się w liniowych procesach. Mają trudności, gdy potrzebne są cykle, warunkowe kierowanie przepływem danych, trwałe punkty kontrolne lub zatwierdzenie przez człowieka w trakcie działania. To problemy grafowe.

Kluczowe koncepcje: węzły, krawędzie i stan

Stan — pola o określonym typie, które agent przenosi podczas działania
Węzły — funkcje, które aktualizują stan

Krawędzie — przechodzenia stałe lub warunkowe

Kompiluj — walidacja struktury, dodanie wskaźnika sprawdzania

Zawołaj/przepuść strumień — wykonywanie z konfiguracją

from typing import TypedDict, Annotated
from langgraph.graph import StateGraph, END
import operator

# Define your state
class AgentState(TypedDict):
    messages: Annotated[list, operator.add]
    next_action: str
    final_answer: str

from langgraph.graph import StateGraph, END
from langgraph.prebuilt import ToolNode
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool

# 1. Define a tool
@tool
def search_web(query: str) -> str:
    """Search the web for current information."""
    # Connect to your actual search API here
    return f"Search results for: {query}"

# 2. Define the LLM with tools bound
llm = ChatOpenAI(model="gpt-4o", temperature=0)
tools = [search_web]
llm_with_tools = llm.bind_tools(tools)

# 3. Define node functions
def call_llm(state):
    response = llm_with_tools.invoke(state["messages"])
    return {"messages": [response]}

def should_continue(state):
    last_message = state["messages"][-1]
    if last_message.tool_calls:
        return "run_tools"
    return END

# 4. Build the graph
workflow = StateGraph(AgentState)
workflow.add_node("agent", call_llm)
workflow.add_node("run_tools", ToolNode(tools))

workflow.set_entry_point("agent")
workflow.add_conditional_edges("agent", should_continue)
workflow.add_edge("run_tools", "agent")

# 5. Compile with a checkpointer
from langgraph.checkpoint.sqlite import SqliteSaver
memory = SqliteSaver.from_conn_string("agents.db")
graph = workflow.compile(checkpointer=memory)

# 6. Run with a thread ID for persistent state
config = {"configurable": {"thread_id": "user-123"}}
result = graph.invoke({"messages": [("user", "What is the latest GPT model?")]}, config)
print(result["messages"][-1].content)

# Add a human approval gate before a risky action
workflow.add_node("human_review", interrupt(before="execute_payment"))

pip install langgraph langchain-openai psycopg2-binary

Jak faktycznie działa zarządzanie stanem

Aktualizacje łączą się za pomocą reduktorów. Błędnie skonfigurowane reduktory powielają komunikaty lub usuwają pola. Wybór reduktora należy traktować jako część przeglądu schematu.

Pierwszy agent (Python)

Zdefiniuj stan → dodaj węzły → połącz krawędziami → skompiluj → zawołaj z identyfikatorem wątku przy użyciu narzędzia do zapisywania.

Człowiek w łańcuchu

Zatrzymaj proces przed wystąpieniem skutków ubocznych; wznow środowisko z pakietem zatwierdzenia. To jest różnica operacyjna pomiędzy demonstracjami a agentami produkcyjnymi.

Wzory wieloagentowe

Przekazy między nadzorcą/specjalistą, gałęzie równoległe oraz podgrafy są wyraźnie mapowane na nazwane węzły o wspólnym lub podzielonym stanie.

Persystencja i odzyskiwanie

Mechanizmy checkpointingu oparte na bazie danych przetrwają restarty procesów. Narzędzia do zapisu w pamięci są przeznaczone wyłącznie do testów.

Kiedy używać LangGraph

Wykorzystaj go, gdy przepływ sterowania jest nieliniowy, wymaga pauzy lub kontynuacji. Wolisz prostsze łańcuchy do jednorazowych odpowiedzi RAG bez rozgałęzień.

Zakończenie

Agenty produkcyjne potrzebują wyraźnego stanu i krawędzi – nie modlitw w pętli. LangGraph to jedna z trwałych metod na przedstawienie tego w kodzie.

Pomijaj hałas promocji z marketplaców; wartość inżynieryjna leży w checkpointowanym przepływie sterowania i HITL. Niech tutoriale koncentrują się na tych elementach podstawowych.

Zinstrumentuj zdarzenia startu/końca węzłów, aby ślady pokazywały, która gałąź została uruchomiona. Grafy bez telemetrii stają się czarnymi skrzynkami o 2 w nocy.