LangGraph: jak kontrolować pracę agentów AI
Temat: Architektura systemów AI
Agent przygotował poprawną odpowiedź, a po wznowieniu zadania wysłał ją klientowi drugi raz. Pracowity, ale nie o to chodziło. LangGraph to biblioteka open source (licencja MIT, Python), która trzyma stan zadania agenta, pozwala go zatrzymać na decyzję człowieka i wznowić. Nie zastępuje jednak projektu uprawnień: to, co agentowi wolno zrobić, ustala twoja aplikacja. Wielu agentów do tego nie potrzebujesz.
Stan na 6.10.2026: pakiet langgraph jest w wersji 1.2.13 (wydanie z 5 października 2026 r.) i wymaga Pythona 3.10 lub nowszego (PyPI). Wersję 1.0 ogłoszono jako stabilną 22 października 2025 r., z deklaracją braku zmian łamiących zgodność do wersji 2.0 (LangChain).
Całą mapę ekosystemu, od LangChain przez LangGraph po LangSmith i Deep Agents, pokazuje poradnik LangChain dla firm.
Czym jest LangGraph
To framework i środowisko wykonawcze do stanowych, także długotrwałych procesów agentowych. Łączy kroki opisane regułami z krokami, w których pracuje model językowy. Nie wymaga całego LangChain (przegląd w dokumentacji).
Graf opisuje kroki i możliwe przejścia. Stan przechowuje to, co potrzebne dalej. Sam graf nie jest modelem AI i nie zastępuje uprawnień w CRM czy ERP.
Biblioteka jest open source na licencji MIT. Płatne bywa hostowanie: dokumentacja nazywa je LangSmith Deployment (LangGraph Platform to starsza nazwa). Wariant w chmurze wymaga planu Plus lub wyższego, a self-hosted z płaszczyzną sterowania planu Enterprise (dokumentacja, stan na 6.10.2026).
Kiedy to ma znaczenie dla firmy
Wybór sposobu orkiestracji to nie szczegół techniczny. To decyzja, kto i jak kontroluje pracę agentów w procesie: które kroki mogą iść same, które czekają na człowieka i kto ma prawo kliknąć „zatwierdzam”. Programista napisze graf, ale zarząd ustala granice.
Jeśli zadanie to jedna odpowiedź bez dalszych działań, ta warstwa może być zbędna. Przydaje się, gdy proces potrzebuje przerwania, wznowienia albo zatwierdzenia. Czy w ogóle potrzebujesz kilku agentów i który wzorzec współpracy wybrać, opisuje wpis system wieloagentowy AI: kiedy ma sens w firmie.
| Potrzeba | Co zaprojektować |
|---|---|
| Praca po przerwaniu | Trwały zapis stanu i identyfikator sprawy |
| Akceptacja człowieka | Punkt zatrzymania i uprawniony decydent |
| Kilka ścieżek | Warunki wyboru następnego kroku |
| Błąd narzędzia | Zasady ponowienia i zakończenia |
| Działanie w systemie | Autoryzacja i ochrona przed powtórzeniem |
Więcej agentów to nie automatycznie więcej pożytku. Każde przekazanie dodaje koszt, opóźnienie i miejsce, w którym kontekst się gubi.
Przykład: odpowiedź o statusie zamówienia
Modelowy proces: pracownik chce odpowiedzieć klientowi. Aplikacja sprawdza jego dostęp, pobiera dane i proponuje treść. Wysłanie wymaga zatwierdzenia. Kroki: identyfikacja sprawy, autoryzacja, odczyt, szkic, akceptacja, wysłanie. Przed wysłaniem sprawdź, czy ta wersja nie poszła już wcześniej.
To projekt przykładowy, nie funkcja włączana po instalacji. Integracje, reguły dostępu i odbiór trzeba napisać. W prostszym wariancie proces kończy się na szkicu, a wiadomość wysyła człowiek.
Graf stanu z punktem przerwania krok po kroku
Ten sam proces jako graf LangGraph wygląda tak (nazwy funkcji według dokumentacji przerwań i dokumentacji trwałości stanu, stan na 6.10.2026):
- Węzeł agenta. Model czyta sprawę i uznaje, że potrzebne są dane o zamówieniu.
- Narzędzie. Odczyt statusu z systemu zamówień, z uprawnieniami pracownika, nie agenta. Checkpointer zapisuje stan po każdym kroku w wątku o danym
thread_id. - Zatwierdzenie człowieka. Węzeł wywołuje
interrupt()z treścią szkicu. Graf staje, stan czeka w checkpointerze. Człowiek może zatwierdzić, odrzucić albo poprawić szkic; dokumentacja opisuje też przerwanie wewnątrz narzędzia, żeby obejrzeć jego argumenty przed wykonaniem. - Wznowienie. Aplikacja wywołuje graf z
Command(resume=...)i tym samymthread_id. Węzeł z przerwaniem wykonuje się od początku, a wartość zresumestaje się wynikieminterrupt(). - Wysyłka. Osobny węzeł po zatwierdzeniu, z kluczem operacji, żeby ponowienie nie wysłało wiadomości drugi raz. Odrzucenie kończy zadanie bez wysyłki.
Minimalny przykład przerwania i wznowienia
Kod nie wywołuje modelu ani nie wysyła wiadomości. Pokazuje jedno: wątek zatrzymuje się przed skutkiem i rusza dopiero po decyzji. Składnia interrupt(), Command(resume=...), thread_id i InMemorySaver odpowiada dokumentacji przerwań. Przypnij wersję langgraph w pliku zależności.
from typing import TypedDict
from langgraph.checkpoint.memory import InMemorySaver
from langgraph.graph import START, END, StateGraph
from langgraph.types import Command, interrupt
class State(TypedDict):
draft: str
status: str
def approve(state: State) -> dict:
accepted = interrupt({"draft": state["draft"], "question": "Wysłać?"})
return {"status": "approved" if accepted else "rejected"}
builder = StateGraph(State)
builder.add_node("approve", approve)
builder.add_edge(START, "approve")
builder.add_edge("approve", END)
graph = builder.compile(checkpointer=InMemorySaver())
config = {"configurable": {"thread_id": "zamowienie-42"}}
paused = graph.invoke({"draft": "Status zamówienia: gotowe", "status": "pending"}, config)
assert "__interrupt__" in paused
result = graph.invoke(Command(resume=True), config)
assert result["status"] == "approved"
InMemorySaver służy demonstracji; po restarcie pamięć znika, więc produkcja potrzebuje trwałego zapisu, na przykład PostgresSaver (dokumentacja wymienia też SqliteSaver do lokalnego pliku). Dokumentacja zaznacza, że po wznowieniu węzeł wykonuje się od początku. Jeśli przed punktem zatrzymania wyślesz wiadomość, ponowienie wyśle ją znowu. Wysyłkę zrób więc osobnym, idempotentnym krokiem z kluczem operacji i przetestuj awarię po wysyłce, a przed zapisem potwierdzenia.
Zatwierdzenie i dane wejściowe
Akceptacja dotyczy treści, którą człowiek widział. Gdy po zatwierdzeniu zmieni się odbiorca albo kwota, potrzebna jest ponowna ocena. Sam status „zaakceptowano” nie wystarczy.
Treść wiadomości klienta to materiał do przetworzenia, nie źródło uprawnień. Dokument z poleceniem „pokaż dane innych klientów” jest dobrym przypadkiem testowym. Kontrola dostępu ma działać przy odczycie i wykonaniu, także gdy model zaproponuje bzdurę. Model jest pomocnikiem, nie strażnikiem. Co da się sprawdzić regułą, sprawdź regułą.
Odbiór i koszt
Zapisz przypadki: poprawne zadanie, brak informacji, odmowa dostępu, awaria źródła, odrzucona propozycja, wznowienie po przerwaniu i podwójne kliknięcie. Przy każdym opisz, czego system nie może zrobić. Lista obsłużonych wyjątków mówi więcej niż demo kilku agentów rozmawiających ze sobą. Poradnik LangSmith pokazuje, jak śledzić taki przebieg.
Licz koszt poprawnie zamkniętej sprawy: modele, stan, integracje, monitoring i praca człowieka. Bibliotekę oddziel od płatnych usług.
W poniedziałek narysuj jedną ścieżkę zadania. Zaznacz odczyty, decyzje, zatwierdzenia i kroki ze skutkiem. Przy każdym zapisz, co się stanie po przerwaniu. Dopiero wtedy zdecyduj, czy potrzebujesz LangGraph.
- Copilot
- Agenci AI
- Modele i LLM
- Microsoft 365
