Tworzenie pierwszego agenta LangChain z użyciem LangGraph w 2026 roku
Twórz agenta LangChain krok po kroku przy użyciu LangGraph, narzędzi, pamięci i śledzenia, unikaj czterech częstych błędów oraz zobacz, jak biuro obsługi uczestników bootcampu go wykorzystało.
Źródła: Building AI Agents with LangChain: A Beginner’s Guide for 2026
Wielu programistów przeszło przez tutoriale LangChain i ostatecznie stworzyło chatboty, które wymyślają nazwy narzędzi i działają w pętlach, aż wyczerpie się budżet tokenów. Istnieje duża różnica pomiędzy ukończoną instalacją a gotowym do użycia agentem, a większość tutoriali pomija te elementy, które powodują problemy. Oto co dzieje się wewnątrz agenta, jak go stworzyć przy użyciu obecnej bazy narzędzi, jakich błędów unikać oraz jak wygląda realistyczne wdrożenie w technologii edukacyjnej.
Wersja krótka: agent LangChain łączy rozumowanie modelu LLM z zewnętrznymi narzędziami, aby wykonać zadania wieloetapowe. Najnowsze wersje LangChain wykorzystują LangGraph do tworzenia agentów z pamięcią stanową, zamiast samego starych AgentExecutor. Narzędzia, mechanizmy wyszukiwania i pamięć odgrywają kluczową rolę we wszystkich rozwiązaniach przeznaczonych do użycia w produkcji.
Czym jest agent
Chatbot przyjmuje dane wejściowe i zwraca wynik w jednej operacji. Agent przyjmuje cel, wybiera narzędzia, je uruchamia, sprawdza uzyskane wyniki i decyduje o kolejnym kroku, powtarzając ten proces aż do osiągnięcia celu lub spełnienia warunku zatrzymania. To właśnie ta pętla stanowi całą różnicę.
Jest to niezwykle ważne dla produktów edukacyjnych. Wyobraźmy sobie studenta, który pisze: „Przeprowadź test z rozdziału 5, sprawdź moje ostatnie trzy wyniki testowe i utrudnij zadania, jeśli nadal osiągam ponad 80% punktów”. Statyczny chatbot nie jest w stanie tego obsłużyć. Agent może podzielić prośbę na części, wywołać API do testów, zapytać bazę danych z ocenami, zastosować logikę warunkową i zwrócić spersonalizowany zestaw pytań. Platformy edukacyjne oraz startupy zajmujące się systemami LMS budują obecnie właśnie taką architekturę.
Konstrukcję tę tworzą trzy warstwy:
- Podstawa w postaci modelu LLM, takiego jak GPT-4o, Claude, Gemini lub model o otwartych wagach.
Połącz je za pomocą maszyny stanowej LangGraph i uzyskasz rozwiązanie gotowe do użycia w produkcji.
Budowanie takiego systemu krok po kroku
Postępuj zgodnie z kolejnością kroków. Pomijanie któregoś jest najczęstszą przyczyną, dla której początkujące agenty zawodzą, gdy pojawiają się prawdziwi użytkownicy.
- Zainstaluj niezbędne narzędzia. Uruchom polecenie
pip install langchain langchain-openai langgraph langchain-community tavily-pythonw Pythonie 3.11 lub nowszej wersji. Umieść wartościOPENAI_API_KEYiTAVILY_API_KEYw zmiennych środowiskowych i nigdy nie umieszczaj ich bezpośrednio w kodzie.
ChatOpenAI(model="gpt-4o", temperature=0) zapewnia bardziej spójne rozumowanie, a temperatura równa zero jest ważna przy wywoływaniu narzędzi, ponieważ zmniejsza szansę na wywołania fikcyjne. W przypadku zastosowań wymagających oszczędności, gpt-4o-mini może wykonać znaczną część pracy za ułamek ceny.@tool. Każde z nich to funkcja w Pythonie z jasnym dokumentacją, ponieważ model czyta tę dokumentację, aby zdecydować, kiedy ją wywołać. Słaba dokumentacja oznacza, że narzędzie nigdy nie zostanie wywołane lub zostanie wywołane w niewłaściwym momencie.TypedDict, utwórz jeden węzeł dla rozumowania modelu i drugi do uruchamiania narzędzi, a następnie połącz je za pomocą StateGraph za pomocą krawędzi warunkowych. Te krawędzie tworzą pętlę rozumowania.MemorySaver z LangGraph obsługuje krótkoterminowy stan. Dla długoterminowej pamięci, od której zależą spersonalizowane agenty uczenia się, połącz magazyn wektorowy takiego jak Pinecone lub Chroma.graph.compile(checkpointer=memory), uruchom go z zapytaniem testowym i użyj LangSmith, platformy śledzenia od LangChain, aby przeanalizować każdy krok: które narzędzie zostało uruchomione, jakie dane otrzymało oraz co model zdecydował później.max_iterations), walidację danych wejściowych oraz recursion_limit, aby agenty nie mogły błędnie w kółko wykonywać tych samych działań. Rejestruj każde wezwanie do narzędzia w systemie monitoringu.Rola agentów w technologii edukacyjnej
Platformy LMS takie jak Moodle, Canvas czy własne systemy mogą wykorzystywać agenty jako asystentów w kursach. Mogą one sprawdzać oceny, polecać kolejne moduły, wskazywać nauczycielom uczniów mających trudności oraz tworzyć pytania do testów na podstawie załadowanych plików PDF przy użyciu technologii RAG. Jeden z średnich dostawców platform LMS poinformował o skróceniu czasu poświęcanego na administrację przez nauczycieli o 40% po wprowadzeniu agentów do odpowiadania na pytania dotyczące postępów uczniów.
Tutory AI działają najlepiej jako agenci, a nie poprzez pojedyncze wywołania modeli. Tutorek sprawdza, co uczeń już wie (pamięć), pobiera odpowiednie materiały kursowe (RAG), dostosowuje sposób wyjaśniania rzeczy (narzędzie do profilowania preferencji) i planuje dodatkowe testy (narzędzie kalendarza). Mechanizm łączenia narzędzi w LangChain sprawia, że całość mieści się w około 500 liniach kodu Pythona.
Kolejnym odpowiednim zastosowaniem są portale uniwersyteckie i badawcze. Studenci podyplomowi używają agentów do wyszukiwania materiałów w repozytoriach instytucjonalnych, streszczania artykułów, weryfikacji cytatów oraz opracowywania rozdziałów przeglądu literatury. Agent zajmuje się rutynowymi zadaniami pobierania danych, a student myśli – co przy prawidłowej konfiguracji stanowi rozsądny i bezpieczny pod względem cytowania proces pracy.
Platformy edukacyjne oparte na umiejętnościach, takie jak bootcamps programistyczne i certyfikaty zawodowe, wykorzystują agenty do przeprowadzania rzeczywistych ocen kodu, porównywania wyników uczących się z kryteriami oceny, udzielania precyzyjnych informacji zwrotnych oraz aktualizowania wykresów umiejętności. Dobra platforma nie tylko ocenia – analizuje, dlaczego uczeń popełnił określony błąd, i tworzy krótką, skierowaną lekcję.
Wybór frameworku
Porównanie LangChain, LlamaIndex, CrewAI i AutoGen wymaga osobnego artykułu, ale pomocne może być ogólne prawidło. LangChain w połączeniu z LangGraph jest lepszym wyborem dla agentów uniwersalnych, które potrzebują narzędzi, pamięci oraz mechanizmów rozumowania. LlamaIndex jest dostosowany do procesów wyszukiwania informacji i odpowiadania na pytania dotyczące dokumentów. Wiele systemów produkcyjnych łączy je ze sobą – LlamaIndex zajmuje się pobieraniem i wyszukiwaniem danych, podczas gdy LangChain koordynuje działanie agenta.
Przepływ pojedynczej prośby wygląda w następujący sposób: określa się cel i instrukcje systemowe, konfiguruje model oraz łączy narzędzia, tworzy stan grafu i węzły, a następnie agent decyduje, jakie narzędzie jest mu potrzebne. Uruchamia to narzędzie z wygenerowanym wprowadzeniem, obserwuje wynik i decyduje, czy zadanie jest zakończone, czy pętla powinna być kontynuowana. Gdy to zrobi, zwraca odpowiedź.
Z tego procesu wyróżniają się niektóre ważne wnioski.
- Cel temperatura ma większe znaczenie niż sam wybór modelu. Ustawienie jej na zero w przypadku modelu agenta zazwyczaj znacznie zmniejsza liczba fałszywych wywołań narzędzi w porównaniu z wyższymi wartościami, niezależnie od używanego modelu. Każdy konkretny procent podany w internecie należy traktować jako przybliżoną wartość i sprawdzać go za pomocą własnych narzędzi.
- Docstrings stanowią instrukcję obsługi agenta. Jednowierszowy, niejasny opis jest najczęstszą przyczyną niewłaściwego używania narzędzi w projektach początkujących.
Przypadek studialny: stanowisko wsparcia w bootcampie
To był średniej wielkości online bootcamp programowania, w którym uczestniczyło około 1200 aktywnych studentów, którzy brali udział w kursach z Pythona, nauki o danych i rozwoju stron internetowych. Dział obsługi klienta odpowiadał co tydzień na ponad 800 pytań studentów, z których około 60% dotyczyło terminów, opinii na temat projektów oraz znajdowania informacji w programie nauczania.
Zanim pojawił się ten agent, całą pracę obsługiwało trzech pracowników na pełen etat za pośrednictwem wspólnej skrzynki pocztowej. Średni czas odpowiedzi wynosił 6,2 godziny, a satysfakcja studentów (CSAT) wynosiła 62%; każdy instruktor tracił około 11 godzin tygodniowo na obsługę zapytań administracyjnych.
Zespół składający się z dwóch programistów w ciągu sześciu tygodni stworzył agenta LangGraph z czterema narzędziami. Jedno z nich przeszukiwało materiały kursowe za pomocą RAG w bazie wiedzy LMS. Drugie sprawdzało postępy studentów poprzez API LMS. Trzecie obliczało terminy na podstawie kalendarza kursu. Ostatnie narzędzie przekazywało złożone zapytania do człowieka wraz ze wszystkimi niezbędnymi informacjami.
90 dni po uruchomieniu uzyskane wyniki były następujące:
- Agent obsłużył 74% przychodzących zapytań.
- Sredni czas reakcji spadł do 8 sekund.
- CSAT wzrósł do 81%
- Liczba zgłoszeń do ludzkiego wsparcia zmniejszyła się o 52%
- Każdy instruktor zaoszczędził około 7 godzin tygodniowo.
- Koszty rozwoju zostały zwrócone w ciągu około 4,5 miesiąca.
Najważniejszą lekcją okazał się narzędzie do eskalacji, które okazało się najważniejszym elementem całego zestawu. Studenci bardziej ufali agentowi, gdy stało się jasne, że zna swoje ograniczenia i potrafi sprawnie przekazać zadanie. Sposób tego przekazywania przyczynił się bardziej do zadowolenia niż jakakolwiek poprawa w sposobie rozumowania.
Te dane pochodzą z własnych raportów zespołu, więc należy je traktować jako ilustrację stopnia osiągniętych korzyści, a nie jako standard, którego należy się spodziewać.
Cztery powszechne błędy
Używanie AgentExecutor do złożonych agentów
Nie obsługuje on warunkowego rozgałęziania, równoległej eksploatacji narzędzi ani stanu, który przetrwa między kolejnymi rozmowami, a w 2026 roku są to standardowe wymagania. Przejdź na LangGraph. Początkowo krzywa uczenia się jest bardziej stroma, ale uzyskujesz pełną kontrolę nad pętlą rozumowania, a dokumentacja LangChain wskazuje teraz na LangGraph jako standard dla wszystkich zadań niestandardowych.
Bez ustawienia recursion_limit agent może błędnie wchodzić w nieskończoną pętlę, co prowadzi do marnowania tokenów i pieniędzy. Ryzyko rośnie w przypadku agentów wykorzystujących wiele narzędzi, gdzie jedna nieudana próba może wywołać kolejne próby. Ustaw recursion_limit=25 lub niższą wartość w konfiguracji kompilacji LangGraph i zdefiniuj wyraźne warunki zatrzymania w logice węzła, zamiast pozostawiać decyzję modelowi.
Wcześniejsze pomijanie śledzenia przez LangSmith
Gdy agent podaje błędną odpowiedź, istnieje mnóstwo możliwych przyczyn tego błędu w łańcuchu operacji, a bez żadnych śladów musisz analizować końcowy wynik i zgadywać. Włącz LangSmith od samego początku, ponieważ jest dostępny bezpłatnie do celów rozwojowych. Eksportuj wartości LANGCHAIN_TRACING_V2=true oraz LANGCHAIN_API_KEY przed napisaniem pierwszej linii kodu agenta – to przyda ci się podczas pierwszej sesji debugowania.
Pisanie narzędzi z niejasnymi dokumentacjami
Wybór narzędzia jest determinowany wyłącznie modelem, który analizuje dokumentację. Fraza taka jak „pobiera dane użytkownika” nie daje mu żadnych podstaw do pracy, więc będzie wybierać narzędzie losowo lub w ogóle go nie używać. Opisz dokładnie cel narzędzia, dane wejściowe oraz sytuacje, w których może być stosowane. Dobry opis brzmi: pobiera ostatnie pięć wyników testów ucznia z bazy danych LMS dla danego student_id, aby można je było wykorzystać, gdy użytkownik pyta o wcześniejsze wyniki lub historię testów.
Odpowiedzi szybkie
Czym jest LangChain dla początkujących? To framework w Pythonie, który łączy modele językowe z narzędziami, źródłami danych i pamięcią. Przekazujesz modelowi zestaw narzędzi, a on decyduje, które z nich wykorzystać, aby osiągnąć cel. Zacznij od dokumentacji szybkiego startu oraz prostego agenta wywołującego narzędzia, zanim spróbujesz złożonych procesów wieloetapowych.
Czy LangChain jest lepszy od LlamaIndex do tworzenia agentów? Dla agentów uniwersalnych wyposażonych w narzędzia, pamięć oraz mechanizmy rozumowania, LangChain w połączeniu z LangGraph jest lepszym wyborem. LlamaIndex jest lepiej dostosowany do wyszukiwania informacji i weryfikacji jakości dokumentów, a wiele zespołów używa obu rozwiązań.
Ile czasu zajmuje stworzenie pierwszego agenta? Prosty agent wykorzystujący jedno narzędzie wymaga od programisty znającego podstawy Pythona około dwóch do czterech godzin pracy. Agent profesjonalny z kilkoma narzędziami, pamięcią, mechanizmami obsługi błędów oraz funkcjami monitorowania z LangSmith zazwyczaj wymaga od jednego do trzech tygodni, w zależności od stopnia skomplikowania API.
Czym jest RAG i czy go potrzebujesz? Generowanie wzbogacone o wyszukiwanie umożliwia agentowi odpowiadanie na pytania dotyczące twoich własnych danych, takich jak treści kursów, dane uczniów czy pliki PDF, poprzez pobieranie odpowiednich fragmentów przed napisaniem odpowiedzi. Potrzebujesz go wtedy, gdy agent musi znać coś, czego nie było w danych treningowych modelu, co w przypadku produktów edukacyjnych jest niemal zawsze.
Czy LangGraph zastępuje LangChain? Nie, on go rozszerza. LangChain dostarcza podstawowe elementy (modele, narzędzia, pamięć), a LangGraph dodaje zorganizowanie grafu oparte na stanach, umożliwiające pętle, rozgałęzienia i koordynację między wieloma agentami. Jest to zalecana ścieżka dla każdego złożonego agenta w ekosystemie LangChain.
Zacznij od małego
Nie musisz już być badaczem w dziedzinie sztucznej inteligencji ani inżynierem z branży big tech, aby tworzyć agenty. Osoba posiadająca podstawową wiedzę z Pythona może stworzyć działający agent w ciągu weekendu przy użyciu LangGraph, LangSmith oraz jasnego procesu. Adaptacyjni tutorzy, asystenci LMS i trenerzy postępów są w zasięgu ręki, a narzędzia są na tyle dojrzałe, by być używanymi w produkcji.
Zespoły, które odnoszą sukcesy, to nie te z największymi modelami. One dobrze rozumieją architekturę agentów, dzięki czemu potrafią projektować sensowne zestawy narzędzi, niezawodną pamięć oraz mechanizmy radzenia sobie z awariami. Zacznij od jednego narzędzia, jednego celu i jednego agenta, a następnie wprowadzaj ulepszenia.
Literatura pokrewna
- RAG z LangChain od zera: loaderzy, kawałki danych, embeddingi, ocena — Budowanie systemu Q&A dla dokumentów krok po kroku: ładowanie plików, dzielenie na fragmenty, embeddingi, fazy indeksowania i wyszukiwania oraz sposoby oceny wyników wyszukiwania i odpowiedzi.
- Budowanie agenta ReAct w LangChain: executorzy, notatniki i ich ograniczenia — Tworzenie agenta ReAct wykorzystującego narzędzia, zobaczenie, jak agent i AgentExecutor dzielą pracę, oraz poznanie powodów, dla których LangGraph lepiej radzi sobie z przepływem sterowania, pętlami i stanem.