複雑でマルチエージェントの大手言語モデル（LLM）アプリケーションを構(gòu)築していると想像してください。エキサイティングですが、さまざまなエージェントの狀態(tài)を管理し、相互作用を調(diào)整し、エラーを効果的に処理するという課題があります。これは、Langgraphが役立つ場所です

Langgraphは、これらの課題に真正面に取り組むように設(shè)計(jì)されたLangchainエコシステム內(nèi)のライブラリです。 Langgraphは、構(gòu)造化された方法で複數(shù)のLLMエージェント（またはチェーン）を定義、調(diào)整、および実行するためのフレームワークを提供します。

エージェントのランタイムを開発するために不可欠な循環(huán)グラフの作成を可能にすることにより、開発プロセスを簡素化します。 Langgraphを使用すると、堅(jiān)牢でスケーラブルで柔軟なマルチエージェントシステムを簡単に構(gòu)築できます。

Langchainエコシステムの詳細(xì)を知りたい場合は、この紹介をLangchainの紹介をお?jiǎng)幛幛筏蓼埂?

langgraphとは？

langgraphを使用すると、LLMをできるだけ簡単に使用して、ステートフルでマルチアクターアプリケーションを作成できます。 Langchainの機(jī)能を拡張し、洗練されたエージェントのランタイムを開発するために極めて重要な周期的なグラフを作成および管理する機(jī)能を?qū)毪筏蓼埂?Langgraphのコア概念には、グラフ構(gòu)造、狀態(tài)管理、および調(diào)整が含まれます。

グラフ構(gòu)造

指示されたグラフとしてアプリケーションを想像してください。 Langgraphでは、各ノードはLLMエージェントを表し、エッジはこれらのエージェント間の通信チャネルです。この構(gòu)造により、各エージェントが特定のタスクを?qū)g行し、必要に応じて他のエージェントに情報(bào)を渡す明確で管理可能なワークフローが可能になります。

狀態(tài)管理

Langgraphの傑出した機(jī)能の1つは、自動(dòng)狀態(tài)管理です。この機(jī)能により、複數(shù)の相互作用にわたって情報(bào)を追跡および維持できます。エージェントがタスクを?qū)g行するにつれて、狀態(tài)は動(dòng)的に更新され、システムがコンテキストを維持し、新しい入力に適切に応答するようにします。

調(diào)整

langgraphは、エージェントが正しい順序で実行され、必要な情報(bào)がシームレスに交換されることを保証します。この調(diào)整は、複數(shù)のエージェントが共通の目標(biāo)を達(dá)成するために協(xié)力する必要がある複雑なアプリケーションにとって不可欠です。データの流れと一連の操作を管理することにより、Langgraphは、開発者がエージェント調(diào)整の複雑さではなく、アプリケーションの高レベルのロジックに集中できるようにします。

なぜlanggraph？

上で述べたように、Langgraphは複雑なLLMアプリケーションを操作する開発者にいくつかの重要な利點(diǎn)を提供します。 Langgraphが提供する現(xiàn)実世界の利點(diǎn)のいくつかは次のとおりです

単純化された開発

ランググラフは、州の管理とエージェントの調(diào)整に関連する複雑さを抽象化します。これは、開発者がデータの一貫性と適切な実行順序を確保する基礎(chǔ)となるメカニズムを心配することなく、ワークフローとロジックを定義できることを意味します。この単純化は、開発プロセスを加速し、エラーの可能性を減らします。ゲームチェンジャーです！

柔軟性

Langgraphを使用すると、開発者は獨(dú)自のエージェントロジックと通信プロトコルを定義する柔軟性を持っています。これにより、特定のユースケースに合わせた高度にカスタマイズされたアプリケーションが可能になります。さまざまな種類のユーザーリクエストを処理できるチャットボットや、複雑なタスクを?qū)g行するマルチエージェントシステムが必要な場合でも、Langgraphは必要なものを正確に構(gòu)築するためのツールを提供します。それはあなたに創(chuàng)造する力を與えることです。

スケーラビリティ

Langgraphは、大規(guī)模なマルチエージェントアプリケーションの実行をサポートするために構(gòu)築されています。その堅(jiān)牢なアーキテクチャは、大量の相互作用と複雑なワークフローを処理し、ニーズに合わせて成長できるスケーラブルなシステムの開発を可能にします。これにより、パフォーマンスと信頼性が重要なエンタープライズレベルのアプリケーションやシナリオに適しています。

フォールトトレランス

信頼性は、Langgraphの設(shè)計(jì)における中核的な考慮事項(xiàng)です。ライブラリには、エラーを優(yōu)雅に処理するメカニズムが含まれており、個(gè)々のエージェントが問題に遭遇した場合でもアプリケーションが動(dòng)作し続けることができるようにします。この障害のトレランスは、複雑なマルチエージェントシステムの安定性と堅(jiān)牢性を維持するために不可欠です。心の安らぎはただの特徴です。

langgraph

を始めましょう

Langgraphと基本的な概念が何であるかを見てみましょう。

インストール

Langgraphをインストールするには、PIP：

を使用できます

基本的な概念

pip install -U langgraph

ノード：ノードは、Langgraph內(nèi)の作業(yè)単位を表します。通常、次のような特定のタスクを?qū)g行するPython関數(shù)です。

LLM

との対話

ツールまたはAPIの呼び出し

いくつかのデータ操作を?qū)g行する
• ユーザー入力の受信
• ビジネスロジックの実行
• Langgraphでは、graph.add_node（name、value）syntaxを使用してノードを追加できます。
エッジ：エッジは、ノード間の通信チャネルです。情報(bào)の流れと実行の順序を定義します。 graph.add_edge（node1、node2）syntaxを使用してエッジを追加できます
• 狀態(tài)：狀態(tài)は、グラフのノードによって時(shí)間とともに更新される中央のオブジェクトです。アプリケーションの內(nèi)部狀態(tài)を管理し、アプリケーションの要件に応じてオーバーライドまたは追加できます。この狀態(tài)は、次のようなものを保持できます
  • 會(huì)話履歴：エージェントとユーザーの間のメッセージのリスト。
  コンテキストデータ：現(xiàn)在のタスクまたはインタラクションに関連する情報(bào)。
  • 內(nèi)部変數(shù)：エージェントの進(jìn)捗と動(dòng)作を追跡するためのフラグ、カウンター、またはその他の変數(shù)。
  • 単純なランググラフアプリケーションの構(gòu)築
  Langgraphを使用して基本的なチャットボットアプリケーションを作成する段階的な例です。

  ステップ1：stategraph

  を定義します

  ステートグラフオブジェクトを定義して、チャットボットをステートマシンとして構(gòu)成します。狀態(tài)は、タイプリストの単一のキーメッセージで定義されたクラスオブジェクトであり、add_messages（）関數(shù)を使用して、それらを上書きするのではなく新しいメッセージを追加します。

  ステップ2：LLMを初期化し、チャットボットノードとして追加

  このチャットボット関數(shù)は、グラフに「チャットボット」という名前のノードとして追加されています。

  pip install -U langgraph

  ステップ3：エッジを設(shè)定
  シンプルなチャットボットを構(gòu)築しているため、チャットボットノードをグラフのエントリポイントと仕上げポイントの両方として設(shè)定して、プロセスを開始して終了する場所を示します。
  ステップ4：グラフをコンパイルして視覚化します
  グラフをコンパイルしてコンパイルされたグラフオブジェクトを作成します。オプションでは、以下のコードを使用してグラフ構(gòu)造を視覚化できます。

  from typing import Annotated
  from typing_extensions import TypedDict
  from langgraph.graph import StateGraph
  from langgraph.graph.message import add_messages
  class State(TypedDict):
      # messages have the type "list".
      # The add_messages function appends messages to the list, rather than overwriting them
      messages: Annotated[list, add_messages]
  graph_builder = StateGraph(State)

  ステップ5：チャットボットを?qū)g行します

  from langchain_openai import AzureChatOpenAI
  llm = AzureChatOpenAI(
      openai_api_version=os.environ["AZURE_OPENAI_API_VERSION"],
      azure_deployment=os.environ["AZURE_OPENAI_CHAT_DEPLOYMENT_NAME"],
  )
  def chatbot(state: State):
      return {"messages": [llm.invoke(state["messages"])]}
  ‘’’The first argument is the unique node name
  # The second argument is the function or object that will be called whenever the node is used.’’’
  graph_builder.add_node("chatbot", chatbot)

  最後に、ループを?qū)g裝して、ユーザーに入力を継続的に促し、グラフを介して処理し、アシスタントの応答を印刷します。ユーザーが「終了」、「終了」、または「Q」を入力すると、ループが終了します。

  高度なLanggraphの特徴

  # Set entry and finish points
  graph_builder.set_entry_point("chatbot")
  graph_builder.set_finish_point("chatbot")

  基本をカバーしたので、いくつかの高度な機(jī)能を見てみましょう。

  カスタムノードタイプ

  langgraphを使用すると、複雑なエージェントロジックを?qū)g裝するためにカスタムノードタイプを作成できます。これにより、アプリケーションの動(dòng)作に対する柔軟性と制御が提供されます

  ここでは、カスタムロジックをカプセル化してLLMと対話するクラスMyCustomNodeを定義します。これにより、複雑なノード動(dòng)作を?qū)g裝するためのより構(gòu)造化され、保守可能な方法が提供されます。

  エッジタイプ

  graph = graph_builder.compile()
  from IPython.display import Image, display
  try:
      display(Image(graph.get_graph().draw_mermaid_png()))
  except Exception:
      pass

  Langgraphは、さまざまなエッジタイプをサポートして、ノード間のさまざまな通信パターンを処理します。便利なタイプの1つは、ノードの出力に基づいて意思決定を可能にする條件付きエッジです。

  條件付きエッジを作成するには、3つのコンポーネントが必要です
  1. アップストリームノード：ノードの出力は次のステップを決定します。
  関數(shù)：この関數(shù)は、上流のノードの出力を評(píng)価し、決定を表す文字列を返す次のノードを決定します。
  2. マッピング：このマッピングは、機(jī)能の可能な結(jié)果を??、実行する対応するノードにリンクします。
  3. Pseudocodeの例：

  ここで、「モデル」ノードが呼び出された後、グラフ（「end」）を終了してユーザーに戻るか、継続（「続行」）を呼び、ユーザーが決定するものにdeしてツールを呼び出すことができます！

  狀態(tài)管理

  pip install -U langgraph

  Langgraphは、SQLite、PostgreSQL、MongoDBなどの外部データベースの使用、またはAmazon S3、Google Cloud Storage、Azure Blobストレージなどのクラウドストレージソリューションを使用して、エージェントの狀態(tài)を保存および取得するための強(qiáng)力な州管理手法を提供し、信頼性とスケーラビリティを可能にします。

  州管理にSQLiteデータベースを使用する例は次のとおりです。

  エラー処理

  langgraphは、エラー処理のメカニズムも提供します：

  例外：ノード関數(shù)は、実行中にエラーを信號(hào)にするための例外を提起できます。グラフがクラッシュするのを防ぐために、これらの例外をキャッチして処理できます。

  from typing import Annotated
  from typing_extensions import TypedDict
  from langgraph.graph import StateGraph
  from langgraph.graph.message import add_messages
  class State(TypedDict):
      # messages have the type "list".
      # The add_messages function appends messages to the list, rather than overwriting them
      messages: Annotated[list, add_messages]
  graph_builder = StateGraph(State)

  再試行メカニズム：ネットワークの問題やAPIタイムアウトなどの一時(shí)的なエラーを処理するために、ノード內(nèi)にRetryロジックを?qū)g裝できます。

  ロギング：ロギングを使用してエラーを記録し、グラフの実行を追跡します。

  Langgraphの実際のアプリケーション
  langgraphを使用して、幅広いアプリケーションを構(gòu)築できます。
  チャットボット
  Langgraphは、幅広いユーザーリクエストを処理できる洗練されたチャットボットを開発するのに最適です。複數(shù)のLLMエージェントを活用することにより、これらのチャットボットは自然言語クエリを処理し、正確な応答を提供し、異なる會(huì)話トピックをシームレスに切り替えることができます。狀態(tài)を管理し、インタラクションを調(diào)整する機(jī)能により、チャットボットがコンテキストを維持し、一貫したユーザーエクスペリエンスを提供することが保証されます。
  • 自律エージェント
  自律的な意思決定を必要とするアプリケーションの場合、Langgraphは、ユーザー入力と事前定義されたロジックに基づいて獨(dú)立してタスクを?qū)g行できるエージェントの作成を可能にします。

  これらのエージェントは、複雑なワークフローを?qū)g行し、他のシステムと対話し、動(dòng)的に新しい情報(bào)に適応できます。 Langgraphの構(gòu)造化されたフレームワークにより、各エージェントが効率的かつ効果的に動(dòng)作するようになり、自動(dòng)化されたカスタマーサポート、データ処理、システム監(jiān)視などのタスクに適しています。

  マルチエージェントシステム

  ランググラフは、複數(shù)のエージェントが共通の目標(biāo)を達(dá)成するために協(xié)力するアプリケーションの構(gòu)築に優(yōu)れています。たとえば、さまざまなエージェントが在庫を管理し、注文を処理し、サプライチェーン管理システムで配信を調(diào)整できます。 Langgraphの調(diào)整機(jī)能により、各エージェントが効果的に通信し、情報(bào)を共有し、同期した方法で意思決定を行うことが保証されます。これにより、より効率的な操作とシステム全體のパフォーマンスが向上します。

  ワークフローオートメーションツール

  Langgraphを使用すると、ビジネスプロセスとワークフローの自動(dòng)化が簡単になります。インテリジェントエージェントは、ドキュメント処理、承認(rèn)ワークフロー、データ分析などのタスクを処理するように設(shè)計(jì)できます。明確なワークフローを定義し、Langgraphの狀態(tài)管理を活用することにより、これらのツールは、人間の介入なしに複雑なアクションシーケンスを?qū)g行し、エラーを減らし、生産性を高めることができます。

  推奨システム
  パーソナライズされた推奨システムは、Langgraphの能力から大きな恩恵を受けることができます。複數(shù)のエージェントを採用してユーザーの動(dòng)作、好み、コンテキストデータを分析することにより、これらのシステムは、製品、コンテンツ、またはサービスに合わせた提案を提供できます。 Langgraphの柔軟性により、さまざまなデータソースとアルゴリズムを統(tǒng)合し、推奨事項(xiàng)の精度と関連性を高めることができます。

  パーソナライズされた學(xué)習(xí)環(huán)境

  教育プラットフォームでは、Langgraphを使用して、個(gè)々の學(xué)習(xí)スタイルとニーズに応える適応學(xué)習(xí)環(huán)境を作成できます。複數(shù)のエージェントは、學(xué)生の進(jìn)捗狀況を評(píng)価し、カスタマイズされたエクササイズを提供し、リアルタイムのフィードバックを提供できます。 Langgraphのステートフルな性質(zhì)により、システムが各學(xué)習(xí)者のパフォーマンスと好みに関する情報(bào)を保持し、よりパーソナライズされた効果的な教育體験を可能にします。

  結(jié)論
  Langgraphは、狀態(tài)を管理し、エージェントの相互作用を調(diào)整するための構(gòu)造化されたフレームワークを提供することにより、複雑なLLMアプリケーションの開発を大幅に簡素化します。 Langgraphの潛在的な開発には、他のLangchainコンポーネントとの統(tǒng)合、新しいLLMモデルのサポート、およびAcademiaからのより高度なエージェントランタイムの導(dǎo)入が含まれます。

  Langchainエコシステム內(nèi)のアプリケーションの開発について詳しく知りたい場合は、Langchainを使用したLLMアプリケーションの開発についてこのコースをお?jiǎng)幛幛筏蓼埂?/p>

以上がLanggraphチュートリアル：Langgraphとは何ですか？の詳細(xì)內(nèi)容です。詳細(xì)については、PHP 中國語 Web サイトの他の関連記事を參照してください。