Пошаговый туториал по построению графа агентов с LangGraph, готовый к продакшену. Время выполнения по шагам: 60–120 минут в зависимости от окружения.
Статья была полезной?
LangGraph — фреймворк для описания и оркестрации сложных взаимодействий между LLM-агентами как графа состояний в 2025–2026 годах. Он даёт декларативную модель переходов, точки сохранения состояния и встроенные механизмы retry/timeout. Вы получите управление сложными сценариями (мультишаговые workflows, ветвления, параллельное исполнение) без написания «стекового» контроллера вручную.
Схема: LangGraph оркеструет LLM-агентов в виде графа
Команда: создайте файл графа state_graph.py или state_graph.yaml и опишите вершины и стартовую точку. Ниже пример на Python с langgraph runtime версии 0.4.0 (релиз 2026).
pip install langgraph==0.4.0 # ~55 MB, 2026 releaseПояснение: установка нужна один раз; версия 0.4.0 фиксирует API runtime и совместимость с persistence адаптерами.
# state_graph.py
from langgraph import Graph, Start, End
g = Graph("order-processing")
@g.start
def start(context):
context.set("order_id", "12345")
return "validate"
@g.node("validate")
def validate(context):
# вызов LLM или локальной логики
return "route"
@g.node("route")
def route(context):
if context.get("valid"):
return "charge"
return "reject"
@g.end
def end(context):
return TrueОжидаемый вывод при валидации графа (команда запуска check):
$ python -m langgraph.check state_graph.py
Graph "order-processing" validated: nodes=4, edges=3, hooks=2Типовая ошибка: ImportError: cannot import name 'Graph'. Фикс: проверьте установленную версию (pip show langgraph) и интерпретатор Python; возможно установлен Python 3.10, тогда используйте 3.11.
Команда: определите узлы с LLM-интеграцией и пропишите edges в YAML для наглядности. Пример node, вызывающий OpenAI-совместимый API через адаптер.
# nodes.yaml
nodes:
- id: validate
type: llm
model: gpt-4o-lite-2026
timeout: 10s
prompt: |
Проверить валидность заказа с id {{ order_id }}
- id: charge
type: action
command: charge_service.charge
edges:
- from: start
to: validate
- from: validate
to: route
- from: route
to: charge
- from: route
to: rejectПояснение: здесь edge явно определяют возможные переходы, а типы узлов (llm/action) влияют на поведение рантайма: retry, timeout и сериализация.
Ожидаемый вывод при загрузке YAML в рантайм:
$ langgraph load nodes.yaml
Loaded graph "order-processing" (nodes=4 edges=4). Active runners: 1Потенциальная ошибка: YAMLError: duplicate key. Исправление: проверьте уникальность id узлов и корректность отступов. YAML чувствителен к пробелам.
Скриншот конфигурации nodes и edges в YAML для LangGraph
Команда: поднимите PostgreSQL 15 и Redis 7 через Docker Compose для сохранения состояния и брокера задач. Ниже docker-compose.yml для локальной отладки.
version: '3.8'
services:
db:
image: postgres:15
environment:
POSTGRES_USER: lg
POSTGRES_PASSWORD: lgpass
POSTGRES_DB: langgraph
ports:
- "5432:5432"
volumes:
- pgdata:/var/lib/postgresql/data
redis:
image: redis:7
ports:
- "6379:6379"
volumes:
pgdata:Пояснение: PostgreSQL хранит состояние узлов и истории, Redis используется как очередь задач и for ephemeral locks. Образы: postgres:15 ~200 MB, redis:7 ~40 MB. Время поднятия контейнеров: примерно 6–12 секунд на NVMe SSD.
Запуск и проверка:
$ docker compose up -d
Creating network "langgraph_default" with the default driver
Creating volume "langgraph_pgdata" with default driver
Creating langgraph_db_1 ... done
Creating langgraph_redis_1 ... done
$ docker compose ps
NAME COMMAND SERVICE STATUS PORTS
langgraph_db_1 "docker-entrypoint.s…" db running 0.0.0.0:5432->5432/tcp
langgraph_redis_1 "docker-entrypoint.s…" redis running 0.0.0.0:6379->6379/tcpТипичная ошибка: psql: could not connect to server: Connection refused. Фикс: убедитесь, что контейнер db запущен (docker logs langgraph_db_1) и что локальный фаервол не блокирует порт 5432. Для systemd-based серверов проверьте, что Docker запущен: systemctl status docker.
Команда: запустите runner LangGraph, укажите адаптеры persistence и провайдер LLM через переменные окружения. Пример запуска как systemd-сервис для стабильного продакшена.
# Экспорт переменных окружения
export LANGGRAPH_PG_DSN="postgresql://lg:lgpass@localhost:5432/langgraph"
export LANGGRAPH_REDIS_URL="redis://localhost:6379/0"
export OPENAI_API_KEY="sk-..." # или URL локального LLM
# Запуск в foreground для отладки
langgraph run --graph state_graph.py --workers 4Ожидаемый вывод:
2026-02-10 12:01:22 runner INFO Starting LangGraph runner (workers=4)
2026-02-10 12:01:22 db INFO Connected to PostgreSQL 15 at localhost:5432
2026-02-10 12:01:23 redis INFO Connected to Redis 7 at localhost:6379
2026-02-10 12:01:23 llm INFO Initialized provider: openai-gpt4o-lite
2026-02-10 12:01:23 graph INFO Runner ready. Listening for executions.Типичный runtime-ошибок: LLMError: 429 Too Many Requests. Фикс: настройте rate-limit retry policy в node-конфиге, добавьте экспоненциальный бэкофф. Пример конфигурации:
# retry config inline
@g.node("validate", retry={"retries": 5, "backoff": "exponential", "min_delay": "1s\
Комментарии (0)
Войдите или зарегистрируйтесь, чтобы оставить комментарий
Загрузка комментариев…