Qu’est-ce que LangGraph ?

LangGraph est un framework développé par LangChain pour gérer le flux de contrôle des applications qui intègrent un LLM.

LangGraph est-il différent de LangChain ?

LangChain fournit une interface standard pour interagir avec les modèles et autres composants, utile pour la récupération, les appels de LLM et les appels d’outils. Les classes de LangChain peuvent être utilisées dans LangGraph, mais ne DOIVENT PAS nécessairement être utilisées.

Les packages sont différents et peuvent être utilisés de manière isolée, mais, au final, toutes les ressources que vous trouverez en ligne utilisent les deux packages main dans la main.

Quand dois-je utiliser LangGraph ?

Contrôle vs liberté

Lors de la conception d’applications IA, vous faites face à un compromis fondamental entre contrôle et liberté :

Les agents de code, comme ceux que vous pouvez rencontrer dans smolagents, sont très libres. Ils peuvent appeler plusieurs outils en une seule étape d’action, créer leurs propres outils, etc. Cependant, ce comportement peut les rendre moins prévisibles et moins contrôlables qu’un agent régulier travaillant avec JSON !

LangGraph est à l’autre extrémité du spectre, il brille lorsque vous avez besoin de “Contrôle” sur l’exécution de votre agent.

LangGraph est particulièrement précieux lorsque vous avez besoin de contrôle sur vos applications. Il vous donne les outils pour créer une application qui suit un processus prévisible tout en exploitant toujours la puissance des LLM.

En termes simples, si votre application implique une série d’étapes qui doivent être orchestrées d’une manière spécifique, avec des décisions prises à chaque point de jonction, LangGraph fournit la structure dont vous avez besoin.

À titre d’exemple, disons que nous voulons créer un assistant LLM qui peut répondre à quelques questions sur certains documents.

Comme les LLM comprennent mieux le texte, avant de pouvoir répondre à la question, vous devrez convertir d’autres modalités complexes (graphiques, tableaux) en texte. Cependant, ce choix dépend du type de document que vous avez !

C’est un embranchement que j’ai choisi de représenter comme suit :

Control flow

💡 Astuce : La partie gauche n’est pas un agent, car ici aucun appel d’outil n’est impliqué. Mais la partie droite devra écrire du code pour interroger le xls (convertir en pandas et le manipuler).

Bien que cet embranchement soit déterministe, vous pouvez également concevoir un embranchement conditionné par la sortie d’un LLM, les rendant indéterministes.

Les scénarios clés où LangGraph excelle incluent :

En essence, chaque fois que possible, en tant qu’humain, concevez un flux d’actions basé sur la sortie de chaque action, et décidez quoi exécuter ensuite en conséquence. Dans ce cas, LangGraph est le bon framework pour vous !

LangGraph est, à mon avis, le framework d’agents le plus prêt pour la production sur le marché.

Comment fonctionne LangGraph ?

Au cœur de LangGraph se trouve une structure de graphe dirigé pour définir le flux de votre application :

Nous explorerons ces blocs fondamentaux plus en détail dans le prochain chapitre !

En quoi est-ce différent du Python régulier ? Pourquoi ai-je besoin de LangGraph ?

Vous pourriez vous demander : “Je pourrais juste écrire du code Python régulier avec des instructions if-else pour gérer tous ces flux, non ?”

Bien que techniquement vrai, LangGraph offre certains avantages par rapport au Python vanilla pour créer des systèmes complexes. Vous pourriez créer la même application sans LangGraph, mais il construit des outils et des abstractions plus faciles pour vous.

Il inclut des états, une visualisation, une journalisation (traces), un human-in-the-loop intégré, et plus encore.

< > Update on GitHub