Apa itu LangGraph?

Apa arti semua informasi ini? Contoh berikut dapat memberikan pemahaman yang lebih jelas tentang LangGraph: Bayangkan arsitektur berbasis grafik ini sebagai peta yang kuat dan dapat dikonfigurasi, sebuah "Peta Super." Pengguna dapat membayangkan alur kerja AI sebagai “Navigator” dari “Peta Super” ini. Akhirnya, dalam contoh ini, pengguna adalah “Kartografer”. Dalam hal ini, navigator merencanakan rute optimal antara titik-titik pada "Peta Super," yang semuanya dibuat oleh "Kartografer".

Untuk meringkas, rute optimal dalam arsitektur berbasis grafik (“Peta Super”) dipetakan dan dijelajahi dengan menggunakan alur kerja AI (“Navigator”). Analogi ini adalah titik awal yang bagus untuk memahami LangGraph—dan jika Anda suka peta, Anda akan senang mendapatkan kesempatan tambahan untuk melihat seseorang menggunakan kata "kartografer".

LangGraph menerangi proses dalam alur kerja AI, memungkinkan transparansi penuh dari status agen. Dalam LangGraph, fitur “state” berfungsi sebagai bank memori yang merekam dan melacak semua informasi berharga yang diproses oleh sistem AI. Ini mirip dengan notebook digital di mana sistem menangkap dan memperbarui data saat beralih ke berbagai tahap alur kerja atau analisis grafik.

Misalnya, jika Anda menjalankan agen untuk memantau cuaca, fitur ini dapat melacak berapa kali salju turun dan memberikan saran berdasarkan tren perubahan curah salju. Kemampuan untuk memantau cara kerja sistem dalam menyelesaikan tugas-tugas kompleks ini sangat berguna bagi pemula untuk lebih memahami manajemen status. Pengelolaan status sangat berguna dalam proses debugging karena memungkinkan status aplikasi disentralisasi, sehingga seringkali mempercepat proses secara keseluruhan.

Pendekatan ini memungkinkan pengambilan keputusan yang lebih efektif, peningkatan skalabilitas, dan peningkatan kinerja keseluruhan. Hal ini juga memungkinkan interaksi yang lebih intensif dengan individu yang mungkin baru mengenal proses-proses ini atau lebih menyukai gambaran yang lebih jelas tentang apa yang terjadi di balik layar.

LangGraph juga dibangun berbasis beberapa teknologi utama, termasuk LangChain, kerangka kerja Python untuk membangun aplikasi AI. LangChain mencakup pustaka untuk membangun dan mengelola LLM. LangGraph juga menggunakan pendekatan human-in-the-loop. Dengan menggabungkan teknologi ini dengan serangkaian API dan alat, LangGraph memberi pengguna platform serbaguna untuk mengembangkan solusi dan alur kerja AI termasuk chatbot, grafik status, dan sistem berbasis agen lainnya.

Jelajahi lebih dalam dunia LangGraph dengan menjelajahi fitur utama, manfaat, dan contoh penggunaannya. Pada akhir artikel ini, Anda akan memiliki pengetahuan dan sumber daya untuk mengambil langkah selanjutnya dengan LangGraph.

Mari kita mulai dengan terlebih dahulu memahami komponen kunci yang membentuk LangGraph. Kerangka kerja ini dibangun dari beberapa komponen kunci yang bekerja sama untuk memudahkan pengguna dalam membuat dan mengelola alur kerja AI yang kompleks. Komponen-komponen ini meliputi:

Human-in-the-loop: Human-in-the-loop (HITL) merujuk pada persyaratan interaksi manusia pada beberapa titik dalam proses. Dalam bidang machine learning (ML), HITL mengacu pada proses kolaboratif di mana manusia menambah kemampuan komputasi mesin untuk membuat keputusan berdasarkan informasi saat membangun model. Dengan menggunakan titik data yang paling penting, HITL meningkatkan akurasi algoritma machine learning, melampaui metode pengambilan sampel acak.

Grafik stateful: Konsep di mana setiap node dalam grafik mewakili langkah dalam perhitungan, pada dasarnya membentuk grafik status. Pendekatan berstatus ini memungkinkan grafik untuk menyimpan informasi tentang langkah-langkah sebelumnya, sehingga memungkinkan pemrosesan informasi yang berkelanjutan dan kontekstual seiring berjalannya perhitungan. Pengguna dapat mengelola semua grafik stateful LangGraph dengan API-nya.

Grafik siklik: Grafik siklik adalah grafik yang mengandung setidaknya satu siklus dan sangat penting untuk waktu proses agen. Ini berarti bahwa ada jalur yang dimulai dan diakhiri pada node yang sama, membentuk perulangan di dalam grafik. Alur kerja yang kompleks seringkali melibatkan ketergantungan siklik, di mana hasil dari satu langkah bergantung pada langkah-langkah sebelumnya dalam siklus.

Node: Di LangGraph, node mewakili komponen atau agen individu dalam alur kerja AI. Node dapat dianggap sebagai "aktor" yang berinteraksi satu sama lain dengan cara tertentu. Misalnya, untuk menambahkan node untuk pemanggilan alat, seseorang dapat menggunakan toolNode. Contoh lain, node berikutnya, mengacu pada node yang akan dieksekusi setelah node saat ini.

Edges: Edges adalah fungsi dalam Python yang menentukan node mana yang akan dieksekusi selanjutnya berdasarkan keadaan saat ini. Edge dapat berupa cabang bersyarat atau transisi tetap.

RAG: Generasi dengan dukungan pengambilan data (RAG) menggabungkan kemampuan model bahasa besar (LLM) dengan informasi kontekstual dari sumber eksternal dengan cara mengambil dokumen yang relevan, yang kemudian digunakan sebagai input untuk proses pembuatan jawaban.

Alur kerja: Alur kerja adalah urutan interaksi node yang menentukan alur kerja AI. Dengan mengatur node ke dalam alur kerja, pengguna dapat membuat alur kerja yang lebih kompleks dan dinamis yang memanfaatkan keunggulan masing-masing komponen.

API: LangGraph menyediakan serangkaian API yang memungkinkan pengguna berinteraksi dengan komponennya secara terprogram. Pengguna dapat menggunakan kunci API, menambahkan node baru, memodifikasi alur kerja yang ada, dan mengambil data dari alur kerja AI.

LangSmith: LangSmith adalah API khusus untuk membangun dan mengelola LLM di dalam LangGraph. LangSmith menyediakan alat untuk menginisialisasi LLM, menambahkan edge bersyarat, dan mengoptimalkan kinerja. Dengan menggabungkan komponen-komponen ini dengan cara yang inovatif, pengguna dapat membangun alur kerja AI yang lebih canggih yang menggunakan kekuatan masing-masing komponen.

Dengan menggunakan arsitektur berbasis grafik, LangGraph memungkinkan pengguna untuk menskalakan alur kerja kecerdasan buatan tanpa memperlambat atau mengorbankan efisiensi. LangGraph menggunakan pengambilan keputusan yang ditingkatkan dengan memodelkan hubungan kompleks antara node, yang berarti menggunakan agen AI untuk menganalisis tindakan dan masukan masa lalu mereka. Dalam dunia LLM, proses ini disebut sebagai refleksi.

Peningkatan pengambilan keputusan: Dengan memodelkan hubungan kompleks antara node, LangGraph menyediakan kerangka kerja untuk membangun sistem pengambilan keputusan yang lebih efektif.

Peningkatan fleksibilitas: Sifat sumber terbuka dan desain modular bagi pengembang untuk mengintegrasikan komponen baru dan menyesuaikan alur kerja yang ada.

Alur kerja multiagen: Tugas kompleks dapat ditangani melalui alur kerja multiagen. Pendekatan ini melibatkan pembuatan agen LangChain khusus untuk tugas atau domain tertentu. Pengalihan tugas ke agen LangChain yang sesuai memungkinkan eksekusi paralel dan penanganan beban kerja yang beragam secara efisien. Arsitektur jaringan multiagen semacam itu mencontohkan koordinasi otomatisasi agen yang terdesentralisasi.

Contoh yang bagus, dibuat oleh Joao Moura, menggunakan CreWai dengan LangChain dan LangGraph. Memeriksa email dan membuat draf dilakukan secara otomatis dengan CrewAI mengatur agen AI otonom, memungkinkan mereka untuk berkolaborasi dan menjalankan tugas kompleks secara efisien.

Chatbots: Pengguna dapat membangun aplikasi agen untuk perencanaan liburan, dengan alur kerja berbasis node dan grafik asiklik terarah (DAG). Chatbot belajar untuk merespons input minimal dari pengguna dan menyesuaikan rekomendasi. Saat ini, layanan seperti Google Duplex menggunakan LangGraph dengan cara yang serupa untuk meniru percakapan yang mirip manusia.

Sistem agen: LangGraph menyediakan kerangka kerja untuk membangun sistem berbasis agen, yang dapat digunakan dalam aplikasi seperti robotika, kendaraan otonom, atau video game.

Aplikasi LLM: Dengan menggunakan kemampuan LangGraph, pengembang dapat membangun model AI yang lebih canggih yang belajar dan meningkat seiring waktu. Norwegian Cruise Line menggunakan LangGraph untuk menyusun, membangun, dan menyempurnakan solusi AI yang dihadapi tamu. Kemampuan ini memungkinkan pengalaman tamu yang lebih baik dan dipersonalisasi.

Agen LangGraph didasarkan pada seri model GPT (generative pre-trained transformer) OpenAI GPT-3.5 dan GPT-4. Namun, LangGraph dan komunitas sumber terbuka telah berkontribusi dalam penambahan beberapa model lain yang diinisialisasi melalui konfigurasi LLM API, termasuk model Anthropic dan AzureChatOpenAI. Loop yang relatif kecil mirip dengan proyek seperti Auto-GPT.

LangGraph menyediakan tutorial YouTube yang memudahkan pengguna untuk mempelajari cara mengintegrasikan model bahasa besar (LLM) sumber terbuka di situs dokumentasi GitHub-nya. Langkah pertama untuk mengintegrasikan LLM adalah menyiapkan repositori inferensi (repo) seperti LLaMA-Factory, FastChat, dan Ollama. Repositori ini memungkinkan penerapan model LLM yang sesuai yang dikonfigurasi melalui kredensial API-nya.

CrewAI, MetaGPT, dan AutoGen hanyalah beberapa kerangka kerja multiagen yang dapat menangani alur kerja yang kompleks. Operasi ini memungkinkan pendekatan yang lebih fleksibel dan bernuansa untuk mengatasi beragam tantangan komputasi. Dengan menyediakan kemampuan debugging yang komprehensif, kerangka kerja ini memungkinkan pengembang mengidentifikasi dan menyelesaikan masalah dengan cepat, sehingga proses pengembangan dan pengoptimalan menjadi lebih efisien.

LangGraph juga telah memperkenalkan LangGraph Studio, antarmuka visual untuk pengembangan alur kerja. Dengan LangGraph Studio, pengguna dapat merancang dan membangun alur kerja menggunakan antarmuka grafis, tanpa perlu menulis kode. Aplikasi desktop yang dapat diunduh membuat LangGraph Studio lebih berguna untuk pemula. LangGraph Studio juga telah menyediakan fitur-fitur tambahan ini:

Kurva pembelajaran yang singkat: LangGraph Studio tidak diperlukan untuk mengakses LangGraph. Namun, dengan menggunakan antarmuka visual LangGraph Studio, pengguna dapat fokus pada desain alur kerja mereka tanpa kesulitan menulis kode.

Kolaborasi yang ditingkatkan: LangGraph Studio memudahkan berbagi alur kerja dengan orang lain, baik itu tim pengembang atau klien.

Debugging: Kemampuan tidak berakhir dengan membangun grafik, fitur debugging disertakan untuk memastikan grafik akurat dan andal. LangGraph Studio, dengan lingkungan pengembangan terintegrasi (IDE) canggih, membantu memvisualisasikan dan mendebug aplikasi LangGraph.

Peningkatan pemrosesan bahasa alami (NLP): LangGraph akan dilengkapi dengan kemampuan NLP yang lebih canggih, yang memungkinkan sistem untuk memahami bahasa alami dengan lebih baik dan memberikan respons yang lebih akurat.

Peningkatan machine learning: LangGraph akan memiliki kemampuan machine learning yang lebih baik, memungkinkannya untuk belajar dan meningkatkan kemampuan dari waktu ke waktu.

Dukungan untuk platform baru: LangGraph akan mendukung platform baru, seperti perangkat mobile dan komputasi edge untuk membuat teknologi lebih mudah diakses.