langgraph

Expert in LangGraph - the production-grade framework for building stateful, multi-actor AI applications. Covers graph construction, state management, cycles and branches, persistence with checkpointers, human-in-the-loop patterns, and the ReAct agent pattern. Used in production at LinkedIn, Uber, and 400+ companies. This is LangChain's recommended approach for building agents. Use when: langgraph, langchain agent, stateful agent, agent graph, react agent.

1. Zainstaluj wymagane pakiety: Python 3.9+, langgraph oraz dostęp do API modelu (OpenAI, Anthropic lub inny). Upewnij się, że masz klucze dostępu do wybranego dostawcy LLM.

2. Zdefiniuj stan agenta jako TypedDict z polami, które będą przechowywać wiadomości i dane aplikacji. Użyj reducera add_messages, aby automatycznie dołączać nowe wiadomości zamiast je nadpisywać.

3. Utwórz narzędzia (tools) za pomocą dekoratora @tool, opisując ich funkcjonalność. Każde narzędzie powinno mieć jasny opis i zwracać string z wynikami.

4. Skonstruuj graf agenta przy użyciu StateGraph, definiując węzły (nodes) dla logiki agenta i narzędzi, oraz krawędzie (edges) określające przepływ sterowania. Dodaj warunkowe routing do wyboru ścieżki na podstawie stanu.

5. Skonfiguruj checkpointer do persystencji stanu między wywołaniami, jeśli potrzebujesz przywrócić sesję agenta. To szczególnie ważne w środowisku produkcyjnym.

6. Uruchom agenta przez invoke() lub stream(), przekazując wiadomość początkową. Agent będzie iteracyjnie wywoływać narzędzia, aktualizować stan i zwracać wyniki aż do osiągnięcia warunku końcowego.