目標先講清楚：
我要把既有的 LiveKit 語音代理，改成用 LangGraph 當「大腦」。
核心變更：把 vision_agent 的 LLM 換成 LangGraph workflow（via LLMAdapter），讓 tools / memory / context 都能在「流程圖」上精細可控。

為什麼要「換大腦」？（LiveKit ↔ LangGraph 的分工）

一句話：LiveKit 管即時媒體與連線；LangGraph 管推理流程與狀態。
LiveKit Agents 幫我處理 WebRTC、房間、音訊/視訊軌、斷句與串流回傳等「低延遲與穩定」的外殼；LangGraph 則把多步驟推理、工具呼叫、記憶寫成 StateGraph，讓每一步何時執行、如何彙整訊息都有明確邏輯。這樣未來要換模型、增工具、改記憶策略，都只碰流程層。

LiveKit的官方範例

LiveKit 的 Agents 生態有一整套可直接跑的 examples：從 任務導向語音代理 到 Avatar、多模/即時 API、企業級運維能力。

以上可在 livekit/agents 的 examples 目錄找到對應實作。

架構藍圖（改接後長怎樣）

如何整合

1) basic graph（最小可用）
先使用官方提供的基本範例，建立basic graph

# basic_graph.py
from typing import Annotated
from typing_extensions import TypedDict

from dotenv import load_dotenv
load_dotenv()

from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langchain_core.messages import BaseMessage, HumanMessage
from langchain_openai import ChatOpenAI  # 也可用 init_chat_model("openai:gpt-4o-mini")

# 1) 定義狀態：messages 用 add_messages 自動合併訊息
class State(TypedDict):
    messages: Annotated[list[BaseMessage], add_messages]

# 2) 節點：把歷史 messages 丟給 LLM，產生一則新的 AIMessage
def chatbot(state: State) -> dict:
    llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
    ai = llm.invoke(state["messages"])
    return {"messages": [ai]}

# 3) 組圖：START -> chatbot -> END
builder = StateGraph(State)
builder.add_node("chatbot", chatbot)
builder.add_edge(START, "chatbot")
builder.add_edge("chatbot", END)

# 4) 編譯成可呼叫的 graph
graph_flow = builder.compile()

2) 替換 vision_agent 的 LLM
把原本直連模型，改為 livekit.plugins.langchain.LLMAdapter(graph_flow)。這樣 LiveKit 仍然處理即時串流與回合切分，但推理走 LangGraph；中途若有工具呼叫與內部訊息，也能由圖管理)

# vision_agent.py（節錄）
from livekit import agents
from livekit.agents import AgentSession, Agent, RoomInputOptions
from livekit.plugins import deepgram, cartesia, silero, langchain  # <— 注意引入 langchain 插件
from livekit.agents.turn_detectors.multilingual import MultilingualModel

from basic_graph import graph_flow  # 我們剛剛編譯好的 LangGraph

async def entrypoint(ctx: agents.JobContext):
    session = AgentSession(
        stt=deepgram.STT(model="nova-3", language="multi"),
        # 原本可能是 openai.LLM(...) 或 with_azure(...)
        # llm=openai.LLM(model="gpt-4o-mini"),
        # 現在改成把 LangGraph 當 LLM：
        llm=langchain.LLMAdapter(graph_flow),
        tts=cartesia.TTS(model="sonic-2", voice="f9a4b3a6-b44b-469f-90e3-c8e19bd30e99"),
        vad=silero.VAD.load(),
        turn_detection=MultilingualModel(),
    )

    agent = Agent(
        instructions="You are a helpful voice AI assistant with vision capabilities."
    )

    await session.start(agent=agent, room=ctx.room, room_input_options=RoomInputOptions())

目前已準備好 basic_graph.py（最小 StateGraph）與 vision_agent.py（把 LLM 換成 LLMAdapter），後續只要「加節點」就能擴充工具、記憶、上下文策略。

下一步（Day 5 預告）

Default（5/5）—— 介紹我會使用什麼工具，來協助或排查整個服務

參考資源

• LangGraph × LiveKit（官方整合指南)
• livekit-agent-example
• langgraph介紹
• 相關的livekit+langgraph example