嗨嗨大家～
一轉眼就來到鐵人賽的最後一天了🥹沒想到我們就這樣一路從 NLP、RAG、GPT、再到聊天機器人，撐到了 Day 30 ，恭喜大家，也恭喜我自己🙂↕️
今天我們就聊點輕鬆一點的主題，讓這個系列有一個完美的收尾XD
今天想帶大家認識一個我覺得超酷、讓多個GPT一起工作的框架，那就是LangGraph啦～
大家可以想像一下，GPT 無庸置疑是非常強大的工具，如果我們今天不只擁有一個 GPT，而是十個、二十個、甚至一百個，而且每一個都負責不同任務，有的能負責查資料、有的能幫忙分析、有的專門總結回覆，這些GPT彼此之間如果能互相協作、交流、共享資訊，那不就可以做出一個非常強大的工具出來？可以做出一個完整、強大的AI助理？但，這真的能做到嗎？
答案是，沒問題！
而要讓這一切能順利運作、互相溝通，可以用LangGraph這個框架來幫我們實現！
LangGraph 是由 LangChain 團隊 開發的新框架，主要用來建立 多 Agent 協作系統（multi-agent systems）。它的特色是——你不需要再手動控制每個模型的呼叫順序，而是可以像畫流程圖一樣，定義每個 Agent 的任務、互動與資料流。透過LangGraph， 你可以打造一個可以互相共享資訊、會互合作、會互相分配任務的GPT 團隊xd
你可以把每個 Agent 想像成一個有自己「大腦」的 GPT，而我們要做的，就是告訴它：
📍它的任務是什麼（要幹嘛）
📍它需要哪些資訊（要看誰的結果）
📍它該把結果交給誰（下一步要給誰用）
LangGraph 的核心概念其實非常簡單，它用「節點」（node）和 「邊」（edge）的方式讓開發者可以定義每個任務之間的流程與連接，每個 node 代表一個獨立的任務（或一個 Agent），而 edge 則決定資訊在不同任務間怎麼流動。
而這整個過程中，資料會自動在 Agent 之間流動，你只需要在一開始設定好每個agent 的任務、該做什麼，以及他的資訊該如何流動即可。說到這裡可能還是偏抽象ㄧ些，我們來看ㄧ個簡單的例子！
假設你今天想打造一個智慧助理系統，這個系統可以自動查找資料 → 整理資訊 → 生成回覆。這時候，你就可以用 LangGraph 來設計整個流程，在這個架構裡，通常會有一個Supervisor Agent（如圖所示），它會根據使用者的需求，決定要派出哪個小幫手來處理。而整個團隊的分工可能像這樣👇
supervisor（總指揮）：負責接收使用者問題，並分派任務、最終統整資訊並回覆
資料小幫手：負責連資料庫查最新資訊
文件整理員：幫你讀文件、找出關鍵內容
回覆生成師：把資訊整合起來，用自然語言說給你聽
當使用者問：「最近公司 AI 專案的進度到哪裡？」
LangGraph 就會讓整個流程自動化：
1️⃣ 總指揮收到使用者訊息，決定要派出哪些Agent
2️⃣ 資料小幫手開始查資料
3️⃣ 文件整理員整理內容
4️⃣ 回覆生成師整理內容
5️⃣ 最後結果再由總指揮統整，並給予使用者回應
這樣一來，你就不是只有「一個 GPT」在回你，而是三個Agent同時分工合作，像是一支默契超好的團隊 🤖🤖
只能說，只要設計得好，這套框架真的能開發出超多有趣又強大的應用，許多自動化任務都可以靠LangGraph 實現，讓多個 GPT一起動起來！
啊今天就是淺淺的讓大家知道概念還有有這個框架可以使用而已～ 如果想要實作或瞭解更多的話可以參考官方網站提供的教學自己試試看打造一個AI Agent網址在這邊！
網路上也蠻多教學影片的，這邊推薦ㄧ個三小時的完整介紹、實作影片，我覺得講得非常之清楚！非常推薦大家喔！參考影片
再來就是進入完賽感言xd
哇～30 天一下就過了！如果你是一路看到這裡的人，先讓我鞠個躬，真的超感謝 🙇
一開始開這個系列的初衷，是希望用簡單又好懂的方式，帶大家一起認識 NLP 還有 AI 的實際應用。但回頭看才發現，30 天真的不夠講完這個世界有多大、水有多深（時間太短啦 XD）不過希望這個系列，至少能讓你在面對 AI 時多一點熟悉感、也多一點「我也能做到」的信心💪
AI 的世界變化很快，許多人可能會開始擔心自己是否會被AI淘汰？
關於這個問題，我的想法是，大家可以看看這些工具、模型、Agent，要被設計出來時，背後還是有我們人類在思考、在決定方向，AI 再厲害，它依然需要人去定義問題、去設計架構、去做選擇。所以，與其害怕被取代，不如讓自己成為那個「能駕馭浪潮」的人，持續學習、不害怕學習新事物再加上你獨有的創意、溫度與觀點，那才是 AI 永遠學不走的東西！
鐵人賽雖然告一個段落了，但不代表結束，未來的世界一定會越來越有趣、越來越挑戰，希望我們都能帶著好奇心，繼續在這條路上一起探索、一起成長。
再次謝謝你陪我走完這趟旅程，我們下次見啦～掰噗！
iThome鐵人賽
看影片追技術