ММООЗЗГГ.ru

Разбор

LangChain и LangGraph: сборка агента в коде

8 мин14 источников

Агента на LangChain собирают в коде: библиотека дает готовый цикл «модель вызывает инструменты, пока задача не решена», а LangGraph позволяет описать работу агента как граф шагов. Обе библиотеки открыты по лицензии MIT, работают на Python от версии 3.10 и на JavaScript. Ниже шаги по документации и честный ответ, когда библиотека не нужна.

На странице · 4 раздела

Нужен разработчик

Когда нужна библиотека

LangChain и LangGraph это библиотеки, то есть наборы готового кода, который программист подключает к своей программе. Интерфейса с кнопками у них нет: без разработчика они не работают.

Библиотека нужна, когда агент живет внутри вашей системы: в своем сервисе, рядом с базой данных, со своими правами доступа. Визуальный конструктор в такой схеме упирается в набор своих блоков.

LangChain подходит для типового агента: модель, инструкция, инструменты. Разработчики LangChain описывают агента как модель, которая вызывает инструменты в цикле, пока задача не решена. Все вокруг цикла (инструкцию, инструменты, промежуточные обработчики) они называют обвязкой.

Модель в LangChain задается одной строкой, а поставщиков библиотека поддерживает много: OpenAI, Anthropic, Google, открытые модели через Ollama и другие. Для бизнеса это страховка: если поставщик модели станет недоступен или подорожает, программист меняет строку и пакет, а не переписывает агента.

Для сложных задач у LangChain есть готовая сборка Deep Agents: агент сам сжимает длинный контекст, работает с виртуальной файловой системой и запускает вспомогательных агентов. Она построена на тех же агентах LangChain, поэтому начинать все равно стоит с них.

LangGraph нужен, когда в одном процессе смешаны жесткие шаги и шаги, где решает модель, когда процесс идет долго и должен переживать сбои, когда на проверке нужен человек. Тем, кто только начинает, документация LangGraph советует сначала взять готовых агентов LangChain.

Anthropic в разборе от 19 декабря 2024 года советует начинать с простого решения и усложнять, только когда простое не справляется. Иногда это значит, что агент не нужен вовсе.

Для команды агентов с ролями есть отдельный фреймворк, CrewAI, мы разобрали его на соседней странице.

Агент как граф шагов

Первый агент на LangChain по документации собирается в четыре шага:

1. Проверьте, что установлен Python 3.10 или новее, и поставьте библиотеку: pip install -U langchain.

2. Поставьте пакет поставщика модели, они идут отдельно. Для открытых моделей на своем компьютере это пакет langchain-ollama: команда pip install -U langchain langchain-ollama. Сама Ollama запускает модель локально.

3. Опишите агента функцией create_agent: модель, список инструментов и системный промпт, то есть постоянную инструкцию агенту. В примере документации локальная модель задается строкой «ollama:devstral-2».

4. Запустите агента методом invoke и передайте ему сообщение пользователя. Ответ лежит в последнем сообщении результата.

Когда готового цикла мало, процесс описывают графом в LangGraph. Граф строится из трех частей:

1. Состояние (State): общая структура данных, снимок текущей работы. Обычно в нем переписка и поля, которые нужны процессу.

2. Узлы (Nodes): функции, которые читают состояние, делают свою работу и возвращают обновление. Узлом может быть вызов модели, запрос в CRM или обычный расчет.

3. Ребра (Edges): правила перехода к следующему узлу. Они постоянные или условные, то есть зависят от того, что лежит в состоянии.

4. Соберите граф в классе StateGraph и скомпилируйте, после этого его можно запускать. Установка: pip install -U langgraph.

Пример из жизни отдела продаж. Узел «разбор заявки» вызывает модель и записывает в состояние тип обращения. Условное ребро ведет заявку на возврат в узел проверки заказа в 1С, а вопрос о цене сразу в узел ответа. Модель здесь решает одно: какой это тип обращения, остальной путь задан кодом.

Польза графа для бизнеса в контроле. Часть шагов предсказуема и проверяема, как в обычной программе, а модель решает только там, где ей это разрешили.

Память и инструменты

Инструмент это функция, которую агент может вызвать: найти клиента в базе, посчитать цену, создать заявку. Модель сама решает, когда вызвать инструмент и какие параметры передать. Инструмент в LangChain делают так:

1. Напишите функцию на Python и поставьте над ней декоратор @tool. Декоратор это пометка над функцией, которая превращает ее в инструмент агента.

2. Укажите типы параметров. По документации они обязательны: из них строится описание входных данных.

3. Напишите строку документации функции коротко и по делу. По ней модель понимает, для чего инструмент и когда его звать.

4. Передайте функцию в список tools при создании агента.

Память в LangGraph двух видов. Краткосрочная хранит ход одного разговора, долгосрочная хранит сведения между разговорами: предпочтения клиента, факты, общие знания.

1. Для краткосрочной памяти подключите checkpointer, хранителя снимков состояния. В примерах документации это InMemorySaver, он держит данные в памяти программы.

2. При каждом вызове передавайте thread_id, номер разговора. По нему агент продолжает тот же диалог.

3. Для долгосрочной памяти подключите store, хранилище, которое видно из всех разговоров. В примере документации это InMemoryStore.

Хранение в памяти программы годится для проверки: после перезапуска все пропадет. В рабочей системе снимки пишут в базу данных, документация описывает для этого PostgresSaver.

Длинная история мешает модели. Документация LangChain предупреждает: большинство моделей хуже работают на длинном контексте, отвлекаются на устаревшее и отвечают медленнее и дороже. Поэтому старые сообщения обрезают или сжимают.

Опасные действия агента можно ставить на подтверждение человеком. В LangChain для этого есть промежуточный обработчик HumanInTheLoopMiddleware:

1. Добавьте HumanInTheLoopMiddleware в список middleware при создании агента.

2. В параметре interrupt_on перечислите инструменты, которые требуют решения человека: например запись файла или запрос к базе данных. Безопасные инструменты, такие как чтение, отметьте False.

3. Подключите checkpointer: без него агент не сможет остановиться и продолжить работу после решения. Для рабочей системы документация советует хранилище в базе данных, например AsyncPostgresSaver.

4. Когда агент остановится, человек выбирает одно из решений: approve (выполнить как есть), edit (исправить параметры), reject (отклонить с объяснением) или respond (ответить вместо инструмента).

Прямые вызовы модели вместо библиотеки

Библиотека не обязательна. Anthropic в статье о построении агентов советует разработчикам начинать с прямых вызовов API модели: многие схемы укладываются в несколько строк кода. API здесь значит способ, которым программа обращается к модели по сети.

Там же предупреждение о фреймворках: они добавляют слои абстракции, за которыми не видно, что именно ушло в модель и что вернулось. Из-за этого ошибки сложнее искать.

Рабочее правило такое. Один вызов модели с инструкцией и парой инструментов пишут напрямую. Библиотеку берут, когда нужны граф шагов, память между разговорами, возобновление после сбоя или проверка человеком.

Пример. Агенту нужно прочитать письмо клиента, найти заказ и предложить ответ менеджеру. Это один вызов модели с двумя инструментами и проверкой человеком, такой код короче, чем настройка библиотеки. Граф и память понадобятся, когда процесс растянется на дни и несколько систем.

Если разработчик предлагает библиотеку, спросите, как он будет видеть запросы к модели и ответы на них. Без этого любой странный ответ агента превращается в долгий поиск причины.

Типовой агент собирается из открытых блоков, и LangChain один из них. Если за такого агента просят как за уникальную разработку, спросите, из чего цена, и предложите оплату за результат по метрике, а не за часы.

Вопросы и ответы

Сколько стоит агент на LangChain?

Сами LangChain и LangGraph бесплатны: обе библиотеки открыты по лицензии MIT, которая разрешает коммерческое использование. Платите вы за работу разработчика, за вызовы модели у поставщика или за сервер для локальной модели, а в рабочей системе еще и за базу данных, где хранятся снимки состояния агента. Поэтому смету считают от задачи и числа вызовов модели, а не от выбора библиотеки.

Когда переходить от готового агента к графу LangGraph?

Готовый агент LangChain собирается функцией create_agent: модель, инструкция и инструменты работают в цикле. Граф LangGraph описывает процесс через состояние, узлы и ребра, где часть шагов задана кодом, а часть решает модель. Документация LangGraph советует начинать с готовых агентов и переходить к графу, когда процесс долгий, должен переживать сбои или требует проверки человеком.

Можно ли собрать агента так, чтобы данные не уходили за рубеж?

Да. Пакет langchain-ollama подключает открытую модель, запущенную на вашем сервере, а снимки разговоров пишут в свою базу данных через PostgresSaver. Для 152-ФЗ это важно: данные граждан России хранят в базах на территории России, а до передачи за рубеж оператор подает уведомление в Роскомнадзор.

Не привяжет ли LangChain нас к одному поставщику модели?

Скорее наоборот. Модель в LangChain задается одной строкой, а поставщиков библиотека поддерживает много: OpenAI, Anthropic, Google, открытые модели через Ollama. При смене поставщика программист меняет строку и пакет, логика агента остается. После замены прогоните тот же набор проверочных вопросов: другая модель может иначе понимать инструкцию.

Когда вместо одного агента нужна команда на CrewAI?

Один агент на LangChain подходит для задачи внутри вашей системы, а граф LangGraph для процесса с жесткими шагами и проверкой человеком. CrewAI собирает команду агентов с ролями и задачами и тоже открыт по лицензии MIT. Команда оправдана, когда у ролей разные инструменты и разные проверки, в остальных случаях хватает одного агента.

Источники и проверка

Проверено редакцией 16 октября 2026.

  1. GitHub, репозитории langchain-ai/langchain и langchain-ai/langgraph, 2026 (github.com)
  2. Anthropic, 19 декабря 2024 (anthropic.com)
  3. LangChain Docs, LangChain overview и Agents, 2026 (docs.langchain.com)
  4. LangChain Docs, Install LangChain, 2026 (docs.langchain.com)
  5. LangChain Docs, LangGraph overview, 2026 (docs.langchain.com)
  6. LangChain Docs, Graph API overview, 2026 (docs.langchain.com)
  7. LangChain Docs, Persistence и Short-term memory, 2026 (docs.langchain.com)
  8. LangChain Docs, Tools, 2026 (docs.langchain.com)
  9. LangChain Docs, Ollama integrations, 2026 (docs.langchain.com)
  10. LangChain Docs, Human-in-the-loop, 2026 (docs.langchain.com)
  11. Документация LangChain: Agents, проверено 16 октября 2026 (docs.langchain.com)
  12. Документация LangChain: Short-term memory, проверено 16 октября 2026 (docs.langchain.com)
  13. Brace Law Firm, 9 июля 2023 (brace-lf.com)
  14. Wikipedia, CrewAI, декабрь 2023 (en.wikipedia.org)

Нашли ошибку? Напишите нам

Публикации

Как создать чат-бот в Максе: инструкция для компании

Чтобы создать чат-бот в Максе, компании нужно пройти четыре шага на платформе MAX для партнеров: проверить профиль организации через Госуслуги, заполнить карточку бота, дождаться модерации до 48 часов по рабочим дням и собрать сценарий в конструкторе или своим кодом. Ниже каждый шаг по документации MAX, проверенной 16 октября 2026 года, а также как связать бота с сайтом, CRM и командой и на чем бо

ИнструкцияИТСредний11 мин
Написать в Telegram