Перейти к основному содержанию

Documentation Index

Fetch the complete documentation index at: https://speshu.ai/docs/llms.txt

Use this file to discover all available pages before exploring further.

LangGraph — open-source фреймворк от команды LangChain для построения агентов как графов. Он нужен там, где обычная цепочка шагов становится слишком хрупкой: агент должен помнить состояние, возвращаться к предыдущему шагу, вызывать инструменты, ветвиться и продолжать работу после паузы. О LangGraph говорят всё чаще, потому что агентные приложения редко остаются линейными. В реальных задачах есть проверка результата, повторные попытки, human-in-the-loop, маршрутизация и память между сообщениями. В этой статье разберём, как работает LangGraph и как собрать простого агента с памятью на моделях SpeShu.AI.

​
Что такое langgraph

LangGraph — это низкоуровневый orchestration framework для long-running и stateful-агентов. Вместо одной цепочки вы описываете граф: узлы выполняют действия, рёбра задают переходы, состояние передаётся между шагами. Такой подход полезен, когда агенту нужно не просто ответить, а выполнить процесс: принять запрос, классифицировать его, сходить в базу знаний, вызвать инструмент, проверить ответ и только потом вернуть результат. LangGraph можно использовать отдельно, но чаще его комбинируют с LangChain-компонентами: ChatOpenAI, tools, retrievers и memory.

​
Как работает langgraph

В основе LangGraph лежит StateGraph. Вы описываете тип состояния, добавляете узлы и соединяете их переходами. На каждом шаге узел получает текущее состояние и возвращает обновление. Для памяти используется checkpointing. В простом примере это InMemorySaver, а в продакшене — SQLite, Postgres или другое постоянное хранилище. Благодаря thread_id один и тот же граф может вести независимые диалоги с разными пользователями. Архитектурно это похоже на workflow engine, но заточенный под LLM: сообщения, tool calls, состояние, стриминг, паузы и продолжение работы.

​
Что умеет langgraph

  • хранить состояние агента между шагами;
  • добавлять короткую память диалога через checkpointer;
  • строить ветвления и циклы;
  • подключать tools и retrievers;
  • делать human-in-the-loop;
  • стримить промежуточные события;
  • переносить граф из прототипа в production-runtime.
Мини-кейсы: агент поддержки с эскалацией, code-review агент, аналитик с несколькими источниками данных, агент продаж, который сначала уточняет вводные, а потом готовит ответ.

​
langgraph на практике

Пример ниже создаёт граф из одного узла, но уже с memory-checkpointer. Второй вызов с тем же thread_id получает историю через состояние. 
import os
from langchain_openai import ChatOpenAI
from langgraph.checkpoint.memory import InMemorySaver
from langgraph.graph import MessagesState, StateGraph, START

llm = ChatOpenAI(
    model="openai/gpt-5.5",
    api_key=os.environ["SPESHU_AI_API_KEY"],
    base_url="https://speshu.ai/api/v1",
)

def call_model(state: MessagesState):
    response = llm.invoke(state["messages"])
    return {"messages": [response]}

builder = StateGraph(MessagesState)
builder.add_node("assistant", call_model)
builder.add_edge(START, "assistant")

graph = builder.compile(checkpointer=InMemorySaver())

config = {"configurable": {"thread_id": "demo-user"}}

graph.invoke(
    {"messages": [{"role": "user", "content": "Меня зовут Анна."}]},
    config,
)

result = graph.invoke(
    {"messages": [{"role": "user", "content": "Как меня зовут?"}]},
    config,
)

print(result["messages"][-1].content)
Для реального проекта замените InMemorySaver на Postgres-checkpointer, добавьте узлы retrieval, проверки качества и инструментов. Так агент станет устойчивее: если один шаг упал, граф можно продолжить из checkpoint.

​
Преимущества и недостатки langgraph

Плюсы:
  • понятная модель состояния;
  • удобен для сложных агентов;
  • есть persistence и thread-based memory;
  • хорошо сочетается с LangChain.
Минусы:
  • выше порог входа, чем у обычного LangChain;
  • для простого Q&A он может быть лишним;
  • нужно явно проектировать состояние и переходы.

​
langgraph vs альтернативы

LangGraph vs LangChain: LangChain удобен для компонентов и простых цепочек. LangGraph нужен, когда появляются состояния, ветвления и долговременное выполнение. LangGraph vs CrewAI: CrewAI проще для multi-agent ролей. LangGraph даёт больше контроля над графом и состоянием. LangGraph vs AutoGPT: AutoGPT ближе к готовому автономному агенту. LangGraph — фреймворк, из которого вы сами собираете предсказуемую систему.

​
Кому подойдёт langgraph

LangGraph подойдёт разработчикам, которые строят AI-агентов для бизнеса: поддержку, аналитические workflow, внутренние ассистенты, агентные backend-сервисы и системы с контролем качества. Если задача ограничивается одним prompt и ответом, начните с обычного вызова модели. Если появляются циклы, проверки и память — переходите к графу.

​
Как попробовать langgraph через SpeShu.AI

SpeShu.AI подключается через тот же OpenAI-compatible интерфейс, который использует ChatOpenAI:
  • не нужен VPN;
  • не нужна зарубежная карта;
  • можно переключать модели в одном коде;
  • один ключ работает для разных сценариев;
  • быстрый старт через speshu.ai/profile.
Используйте base_url="https://speshu.ai/api/v1" и модель из каталога.

​
Заключение

LangGraph полезен, когда агент должен не просто отвечать, а проходить управляемый процесс. Главный инсайт: графовая архитектура делает поведение агента более явным и проверяемым. Начните с одного состояния, одного checkpointer и двух-трёх узлов. Этого достаточно, чтобы понять, нужен ли вам полноценный stateful-agent.

Подключить API

Запустите интеграцию через SpeShu.AI: единый доступ к AI-моделям, без VPN и зарубежной карты