Dlaczego grafy są lepsze od płaskich łańcuchów
Rzeczywiści agenci potrzebują pętli, ponowień i warunków — DAG-i oraz grafy wyrażają to, czego nie potrafią łańcuchy.
Dlaczego grafy są lepsze od płaskich łańcuchów to bezpłatna lekcja AI Agents na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej AI Agents, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs AI Agents zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
Ograniczenia łańcuchów
Łańcuchy LCEL świetnie sprawdzają się w przepływach liniowych: A -> B -> C. Trudności pojawiają się, gdy potrzebne są:
- Pętle (ponawianie aż do skutku)
- Rozgałęzienia warunkowe (wybór A lub B na podstawie stanu)
- Wstrzymania z udziałem człowieka
- Trwały stan między wywołaniami
Prawdziwe agenty są grafami
Agenty podejmują decyzje krok po kroku. Prawdziwy agent może:
- Zaplanować działanie
- Wyszukać informacje
- Jeśli je znajdzie, przygotować odpowiedź; jeśli nie, wyszukać ponownie
- Przeprowadzić walidację
- Jeśli wynik jest niepoprawny, poprawić go; w przeciwnym razie zwrócić
To graf, a nie linia.
Wprowadzenie do LangGraph
LangGraph (stworzony przez zespół LangChain) pozwala definiować agenty jako grafy:
- Węzły — funkcje, które odczytują i aktualizują stan
- Krawędzie — określają, który węzeł zostanie uruchomiony jako następny
- Stan — współdzielony, trwały słownik
Nodes Are Just Functions
from langgraph.graph import StateGraph
class AgentState(TypedDict):
messages: list
plan: str
answer: str
def plan_step(state: AgentState) -> AgentState:
plan = generate_plan(state['messages'])
return {'plan': plan}Edges Connect Nodes
from langgraph.graph import StateGraph, END
graph = StateGraph(AgentState)
graph.add_node('plan', plan_step)
graph.add_node('search', search_step)
graph.add_node('answer', answer_step)
graph.set_entry_point('plan')
graph.add_edge('plan', 'search')
graph.add_edge('search', 'answer')
graph.add_edge('answer', END)
app = graph.compile()Running the Graph
result = app.invoke({'messages': [{'role': 'user', 'content': 'What is RAG?'}]})
print(result['answer'])Aktualizacje stanu są scalane
Gdy węzeł zwraca częściowy słownik, LangGraph scala go ze stanem. Nie trzeba zapisywać całego stanu w każdym kroku.
Rozgałęzienia warunkowe
Użyj add_conditional_edges, aby kierować przepływem na podstawie stanu:
def needs_more_info(state):
if state['confidence'] < 0.7:
return 'search'
return 'answer'
graph.add_conditional_edges('plan', needs_more_info, {
'search': 'search',
'answer': 'answer'
})Loops Are Just Edges Back
graph.add_edge('search', 'plan') # loop back to planner
# The planner decides if more search is needed.Wizualizacja
LangGraph generuje diagramy Mermaid grafu — świetnie nadają się do debugowania jego struktury:
from IPython.display import Image
Image(app.get_graph().draw_mermaid_png())W porównaniu z ręcznie napisanymi pętlami while
Można to zrobić za pomocą pętli while w języku Python. LangGraph zapewnia dodatkowo:
- Jawną strukturę grafu (możliwą do wizualizacji)
- Wbudowane tworzenie punktów kontrolnych
- Strumieniowanie aktualizacji stanu
- Prymitywy obsługi udziału człowieka w pętli
LangGraph + LCEL
Węzły mogą być dowolnymi obiektami wywoływalnymi — także łańcuchami LCEL. Można je dowolnie łączyć:
summarise_chain = prompt | model | parser
def summarise_node(state):
return {'summary': summarise_chain.invoke(state['text'])}Kiedy używać grafu
W którym scenariuszu LangGraph zapewnia największe korzyści w porównaniu z płaskim łańcuchem LCEL?
Podsumowanie
Grafy są lepsze od łańcuchów, gdy potrzebne są pętle, rozgałęzienia, trwałość danych lub udział człowieka w pętli. LangGraph zapewnia odpowiednią strukturę.
Często zadawane pytania
Czy lekcja „Dlaczego grafy są lepsze od płaskich łańcuchów” jest bezpłatna?
Tak — pełny tekst „Dlaczego grafy są lepsze od płaskich łańcuchów” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu AI Agents, przejdź na CoddyKit PRO. Kurs AI Agents zawiera 4 lekcji w sumie.
Co nauczysz się w „Dlaczego grafy są lepsze od płaskich łańcuchów”?
Rzeczywiści agenci potrzebują pętli, ponowień i warunków — DAG-i oraz grafy wyrażają to, czego nie potrafią łańcuchy. Ćwiczysz AI Agents z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć AI Agents?
Nie wymagamy żadnego doświadczenia. AI Agents w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.
Ile czasu zajmuje lekcja „Dlaczego grafy są lepsze od płaskich łańcuchów”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji AI Agents?
Tak. Każda lekcja AI Agents zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Dlaczego grafy są lepsze od płaskich łańcuchów
- Węzły, krawędzie i stan
- Warunkowe kierowanie i rozgałęzianie
- Utrwalanie stanu grafu (punkty kontrolne)