LangGraph

LangGraph er et avanceret bibliotek designet til at bygge tilstandsfulde, multi-aktor applikationer med Large Language Models (LLM’er). Udviklet af LangChain Inc udvider LangGraph funktionaliteten i LangChain-biblioteket ved at introducere cykliske beregningsevner. Dette muliggør oprettelsen af komplekse, agent-lignende opførsler, hvor en LLM kan operere i en løkke og træffe beslutninger ved hvert trin.

Hvad er LangGraph?

LangGraph er et kraftfuldt værktøj, der gør det muligt for udviklere at skabe indviklede workflows med flere aktører og trin. I modsætning til traditionelle Directed Acyclic Graphs (DAGs), som bruges i LangChain, understøtter LangGraph cyklusser, hvilket gør det ideelt til applikationer, der kræver gentagen beslutningstagning og tilstandshåndtering.

Centrale Begreber

Tilstandsfuld Graf

En tilstandsfuld graf er kernekonceptet i LangGraph. Hver node i grafen repræsenterer et beregningstrin, og grafen opretholder en tilstand, der opdateres, efterhånden som beregningen skrider frem. Denne tilstandsfulde natur giver mulighed for mere dynamiske og fleksible workflows.

Noder

Noder er de grundlæggende byggesten i en LangGraph. Hver node udfører en specifik funktion eller beregning, såsom at behandle input, træffe beslutninger eller interagere med eksterne API’er.

Kanter

Kanter forbinder noder og definerer beregningsflowet i grafen. LangGraph understøtter betingede kanter, hvilket gør det muligt for flowet at ændre sig dynamisk baseret på den aktuelle tilstand.

Centrale Funktioner

Cyklusser og Forgrening

LangGraph gør det muligt at implementere løkker og betingelser i dine applikationer, hvilket giver større fleksibilitet og kontrol over beregningsforløbet.

Persistens

En af de mest markante funktioner ved LangGraph er den indbyggede persistens. Den gemmer automatisk tilstanden efter hvert trin, hvilket gør det muligt at gendanne fejl, understøtte human-in-the-loop-workflows og endda springe tilbage til tidligere tilstande for forskellige handlinger.

Human-in-the-Loop

LangGraph understøtter samarbejde mellem mennesker og agenter ved at tillade afbrydelser i grafens eksekvering. Brugere kan godkende eller redigere den næste handling, agenten planlægger, hvilket sikrer bedre kontrol og pålidelighed.

Streaming-understøttelse

For en bedre brugeroplevelse inkluderer LangGraph indbygget understøttelse af streaming-outputs – både token-for-token og for mellemtrin – hvilket giver dynamisk og interaktiv brugerinteraktion.

Integration med LangChain

Selvom LangGraph kan bruges selvstændigt, integrerer det problemfrit med LangChain og LangSmith og giver en komplet pakke til at bygge og administrere LLM-baserede applikationer.

Installation

For at installere LangGraph kan du bruge følgende kommando:

pip install -U langgraph

For JavaScript-versionen brug:

npm install @langchain/langgraph

Anvendelsesområder

Agent- og Multi-Agent-Workflows

LangGraph er ideelt til at skabe workflows, der involverer flere agenter eller aktører, hvor hver udfører specifikke opgaver og træffer beslutninger i et koordineret forløb.

Håndtering af Komplekse Opgaver

LangGraphs evne til at håndtere cyklusser og tilstandspersistens gør det perfekt til applikationer, der kræver kompleks beslutningstagning og mekanismer til fejlgendannelse.

Samarbejde mellem Menneske og Agent

Med indbygget support for human-in-the-loop-interaktioner sikrer LangGraph, at agenter kan samarbejde effektivt med menneskelige brugere, hvilket gør det velegnet til applikationer, hvor høj pålidelighed og kontrol er påkrævet.