iT邦幫忙

2025 iThome 鐵人賽

DAY 21
0
自我挑戰組

AI Agentu相關研究系列 第 21

AI Agent 與 LangGraph 的關係

  • 分享至 

  • xImage
  •  

隨著 AI Agent 概念逐漸成熟,越來越多開發者希望讓 Agent 不只是單次回答,而是能 持續執行任務、分階段規劃、並在需要時分支決策。
然而,光靠 LLM 並不足以做到「複雜流程的可控性」,這就是 LangGraph 出現的理由。

AI Agent 的需求:從單步推理到多階段任務

一個 AI Agent 的核心能力,是能根據使用者需求採取行動,例如:
幫忙規劃一趟旅遊行程
分析財務數據並產生報告
與其他 Agent 協作解決問題
問題在於,這些任務往往 不是一步就能完成,而需要:
任務拆解(分成多個小步驟)
條件判斷(根據情況分支,不同情境走不同路徑)
狀態記錄(保持上下文,不要每一步都重新開始)
這些需求,正是 LangGraph 與 AI Agent 的契合點。

LangGraph 是什麼?

白話來說,LangGraph 是 LangChain 的進階版流程控制工具,它把整個 AI 任務看成一個「有狀態的圖 (Graph)」。
節點 (Node) → 代表一個步驟(例如:規劃行程 / 查天氣 / 預訂飯店)。
邊 (Edge) → 代表步驟之間的連結(例如:先查天氣 → 再決定要不要帶雨具)。
狀態 (State) → 任務執行中的資料(例如:使用者輸入、前一步的輸出結果)。
透過這種「圖結構」,LangGraph 幫助 AI Agent 有條理地分階段執行,而不是毫無結構地一次性生成答案。

流程控制:讓 AI Agent 有「腳本」可依循

傳統的 LLM 使用方式像是「丟一個 prompt → 拿一個答案」。
但在複雜任務中,我們需要「流程控制」:
決策分支
如果使用者輸入的是「旅遊地點」→ 先查交通資訊
如果輸入的是「時間範圍」→ 先查天氣
循環 (Loop)
一直檢查資料來源是否正確,不對就重試
或者不斷呼叫 API,直到拿到符合條件的結果
條件控制
只有在「確認資料正確」後,才進入下一步
在 LangGraph 中,這些流程控制可以用 圖的路徑設計來實現。
這意味著 AI Agent 不再是隨機生成答案,而是按照「流程圖」去走。


上一篇
AutoGen 概念與架構
下一篇
AI Agent 與 Agent Workflow 設計
系列文
AI Agentu相關研究26
圖片
  熱門推薦
圖片
{{ item.channelVendor }} | {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言