ИИ-агент может самостоятельно найти информацию, проверить данные и подготовить отчёт. Но что произойдёт, если нужных сведений не окажется, один из сервисов перестанет отвечать или результат потребуется согласовать с человеком? Для управления такими задачами используют LangGraph. Разбираемся, как работает эта библиотека, чем она отличается от LangChain и как создать свой первый граф на Python.
Что такое LangGraph простыми словами
LangGraph — это библиотека для разработки ИИ-агентов, которая помогает управлять последовательностью их действий. С её помощью можно задать отдельные этапы работы, условия перехода между ними и правила сохранения результатов.
Возьмём интернет-магазин, которому нужен ИИ-помощник для поддержки покупателей. Один клиент спрашивает, сколько стоит доставка. Другой жалуется, что ему отказали в возврате товара. Обрабатывать эти обращения одинаково было бы неправильно.
В первом случае помощник может найти стоимость доставки в правилах магазина и подготовить ответ. Во втором — проверить обстоятельства обращения и передать вопрос сотруднику.
LangGraph помогает разработчику организовать такую работу. Программа получает сообщение, определяет, какие действия выполнить, и направляет запрос по подходящему маршруту.
При этом LangGraph сам по себе не является нейросетью. Он управляет работой приложения, а для понимания сообщений и генерации ответов к нему подключают языковую модель — например, через API OpenAI, Anthropic или другого провайдера.
Библиотека доступна с открытым исходным кодом. Её можно использовать в проектах на Python, а также на JavaScript и TypeScript.
Как работает LangGraph
Название LangGraph связано со словом graph — «граф». В программировании так называют структуру, которая состоит из отдельных элементов и связей между ними.
Чтобы понять принцип работы, достаточно разобраться в трёх понятиях: узел, переход и состояние.
Узлы: отдельные действия агента
Узел (Node) — шаг, на котором программа выполняет конкретную работу.
Для помощника интернет-магазина такими шагами могут быть определение темы обращения, поиск правил доставки, подготовка ответа и передача сложного вопроса сотруднику.
Внутри узла может работать обычная функция Python или языковая модель. Также он может обращаться к базе данных, CRM и другим подключённым сервисам.
Переходы: выбор следующего действия
Переход (Edge) определяет, куда программа движется после выполнения узла.
Например, помощник сначала определяет тему обращения. Если вопрос касается доставки, он переходит к поиску правил. Если клиент оспаривает возврат — к проверке менеджером.
Переходы могут быть фиксированными или зависеть от условий. В зависимости от задачи решение принимает обычный программный код либо подключённая модель.
Состояние: информация о текущей задаче
Состояние (State) — данные, которые доступны следующим этапам работы.
Допустим, покупатель написал: «Когда доставят мой заказ?». Сначала программа сохранила текст сообщения, затем определила тему «Доставка», а после нашла нужную информацию.
Следующий узел получает результаты предыдущих действий. Ему не нужно заново выяснять, какой вопрос задал покупатель и что уже удалось найти.
Если правильно настроить сохранение состояния, работу можно продолжить даже после паузы. Например, когда сотрудник вернётся к обращению и подтвердит подготовленный ответ.

Где LangGraph действительно пригодится
Для простого чат-бота, который принимает сообщение и возвращает ответ нейросети, LangGraph обычно не требуется. Его возможности становятся полезными, когда задача состоит из нескольких действий, а дальнейший маршрут зависит от результата.
Например, можно создать помощника, который работает с рекламной статистикой. Он получает запрос маркетолога, запрашивает расходы и заявки из подключённых источников, рассчитывает CPL и готовит отчёт.
Но что, если один рекламный кабинет не вернул данные? Приложение может повторить запрос ограниченное число раз, отметить отсутствующие показатели или попросить пользователя проверить источник. Такие условия можно заранее описать в графе.
В других проектах LangGraph используют для обработки обращений, анализа документов и автоматизации внутренних процессов. Среди его возможностей особенно полезны:
- Разные маршруты. Обычные обращения и сложные случаи проходят по отдельным этапам.
- Повторные проверки. Если результат не соответствует заданным условиям, программу можно вернуть на предыдущий шаг.
- Согласование человеком. Агент может остановиться перед важным действием и дождаться разрешения.
- Сохранение результатов. После паузы приложение может продолжить задачу с сохранённого этапа.
Например, если ИИ-агент помогает готовить рекламные кампании, он может собрать данные и предложить изменения. Но менять бюджет или отключать объявления без подтверждения пользователя необязательно: эти действия можно вынести в отдельный этап согласования.
Реальный пример: как Lyft использует LangGraph для поддержки клиентов
В мае 2026 года сервис поездок <Entity category=»company» value=»Lyft»/> рассказал, как перестроил работу своих ИИ-помощников с помощью LangGraph и LangSmith.
Клиенты Lyft обращаются в поддержку с разными вопросами: забытые вещи, спорные списания, проблемы с аккаунтом. У водителей свои задачи — например, вопросы о заработке и компенсации ущерба.

Компания создала систему, в которой основной агент определяет тему обращения и передаёт запрос специализированному помощнику. Если выясняется, что вопрос относится к другой категории, программа может изменить маршрут прямо во время разговора.
Для сложных случаев Lyft использует отдельных агентов, созданных инженерами. А часть новых помощников сотрудники могут настраивать через инструкции и конфигурацию, не разрабатывая каждый процесс с нуля.
По словам команды Lyft, создание первого агента для водителей занимало около шести месяцев. Разработка нового настраиваемого агента на обновлённой платформе сократилась примерно до двух недель. Эти цифры относятся к конкретным этапам развития системы компании, а не к любому проекту на LangGraph.
Ещё одна важная деталь: Lyft проверяет качество работы агентов через LangSmith. Разработчики могут посмотреть, как система определила тему, какой инструмент вызвала и на каком этапе возникла ошибка.
LangGraph и LangChain: в чём разница
LangGraph и LangChain разработаны одной командой и относятся к одной экосистеме. Однако они решают немного разные задачи.
LangChain помогает создавать ИИ-приложения: подключать языковые модели, инструменты, базы знаний и готовые механизмы работы агентов.
LangGraph нужен, когда разработчику важно самостоятельно управлять отдельными этапами процесса, состоянием и переходами между действиями.
| Критерий | LangChain | LangGraph |
| Для чего нужен | Создавать ИИ-агентов и подключать инструменты | Подробно управлять процессом работы |
| С чего начинают | Выбирают модель, инструменты и инструкции | Описывают узлы, переходы и состояние |
| Готовая логика агента | Есть | Маршрут можно настроить самостоятельно |
| Сложные сценарии | Поддерживаются | Даёт больше контроля над их устройством |
| Кому удобнее начать | Разработчику первого ИИ-помощника | Разработчику с более сложными требованиями |
Например, вы хотите создать бота, который отвечает на вопросы по базе знаний компании. Для первого варианта может хватить возможностей LangChain.
Но если бот должен согласовывать отдельные ответы, повторять неудачные проверки и продолжать работу после паузы, собственный граф может оказаться удобнее.
Выбирать строго между двумя библиотеками не нужно. В современных версиях LangChain стандартные агенты, создаваемые через create_agent, уже используют LangGraph внутри.
Если вы ещё не работали с такими инструментами, начните со статьи AffTimes «LangChain: что это и как создать ИИ-агента на Python». В ней показано, как подключать нейросети к программным функциям.
LangGraph на Python: создаём простой граф
Посмотрим, как устроены переходы между действиями. Сделаем небольшую программу для обработки вопросов покупателей.
Она будет выбирать один из двух маршрутов: отвечать на вопрос о доставке или отмечать обращение для проверки менеджером.
Для первого эксперимента нейросеть не понадобится. Сначала научимся управлять действиями программы, а затем разберём, как добавить языковую модель.
Установите LangGraph
Понадобится Python и доступ к терминалу. Установите библиотеку командой:
python -m pip install -U langgraphСоздайте файл support.py. В него добавим код нашего графа.
Опишите действия и переходы
from typing import TypedDict
from langgraph.graph import StateGraph, START, END
class State(TypedDict):
message: str
route: str
answer: str
def classify(state: State):
route = (
"delivery"
if "доставк" in state["message"].lower()
else "manager"
)
return {"route": route}
def choose(state: State):
return state["route"]
def delivery(state: State):
return {"answer": "Доставка по городу — 300 ₽."}
def manager(state: State):
return {"answer": "Вопрос требует проверки менеджера."}
builder = StateGraph(State)
builder.add_node("classify", classify)
builder.add_node("delivery", delivery)
builder.add_node("manager", manager)
builder.add_edge(START, "classify")
builder.add_conditional_edges(
"classify",
choose,
{"delivery": "delivery", "manager": "manager"}
)
builder.add_edge("delivery", END)
builder.add_edge("manager", END)
app = builder.compile()
for message in [
"Сколько стоит доставка по городу?",
"Мне отказали в возврате"
]:
result = app.invoke({
"message": message,
"route": "",
"answer": ""
})
print(result["answer"])Здесь State описывает данные, которые программа передаёт между этапами: сообщение клиента, выбранный маршрут и ответ.
Функция classify() проверяет текст. Если встречается часть слова «доставк», программа выбирает узел delivery. В остальных случаях обращение направляется в manager.
Метод add_conditional_edges() связывает результат проверки с нужным действием. А compile() собирает граф, который затем можно запустить.
Проверьте оба маршрута
Запустите файл:
python support.pyПо логике программы должны появиться две строки:
- Доставка по городу — 300 ₽.
- Вопрос требует проверки менеджера.
Цена доставки здесь просто условное правило нашего примера. В настоящем магазине её нужно получать из актуальных данных компании.
Теперь измените первое сообщение на «Когда привезут мой заказ?». Программа направит его менеджеру, потому что пока умеет искать только определённую часть слова.
Именно здесь может пригодиться языковая модель. Вместо поиска одного слова она сможет определять тему по смыслу сообщения. Например, понимать, что «Когда привезут заказ?» тоже относится к доставке.
А сами маршруты можно оставить прежними: получение сообщения, определение темы и выбор нужного действия.
В дальнейшем к графу можно подключить базу знаний, CRM и настоящее согласование с сотрудником. Для этого уже понадобятся дополнительные функции и настройки приложения.
Курс «Инженер генеративного ИИ» в Академии IT DMS
Сертификат, диплом о переподготовке или удостоверение о повышении квалификации.
AFFTIMES−5 % на первую покупку. Скидка суммируется с любыми акциями школы. Если оплачиваете через менеджера в чате, назовите ему промокод.
LangSmith Studio: как увидеть работу агента по шагам
Когда в графе несколько узлов, удобно наблюдать за их выполнением. Например, посмотреть, какой маршрут выбрал агент и какую информацию получил после каждого действия.
Для этого используют LangSmith Studio — интерфейс разработки и отладки приложений. Раньше он назывался LangGraph Studio, поэтому старое название ещё встречается в статьях и инструкциях.

Studio показывает структуру графа и позволяет изучать результаты отдельных шагов. Если агент неправильно выбрал инструмент или остановился с ошибкой, разработчик может найти соответствующий этап.
Например, в интерфейсе можно увидеть, что агент сначала обратился к поиску, затем проверил найденные данные и только после этого подготовил ответ. При необходимости доступен просмотр сохранённых состояний процесса.
Для разговорных агентов также предусмотрен более простой режим проверки сообщений.
При этом Studio не стоит путать с конструктором чат-ботов. Граф и его действия разрабатываются в коде, а для тестирования через Studio приложение нужно подключить к поддерживаемому серверу LangGraph.
Сам LangSmith предоставляет дополнительные инструменты: историю запросов, проверку качества, отслеживание ошибок и расходов на выполнение.

Как LangGraph сохраняет состояние и ждёт решения человека
Вернёмся к помощнику интернет-магазина. Допустим, он подготовил ответ на спорный возврат, но отправлять его без проверки сотрудника нельзя.
Для такой ситуации в LangGraph предусмотрен механизм interrupt(). Он позволяет приостановить выполнение графа и запросить внешнее решение.
Но чтобы продолжить работу с нужного места, приложение должно сохранять своё состояние. Для этого используется checkpointing — запись промежуточных результатов.
Например, система может сохранить сообщение покупателя, найденные правила и подготовленный ответ. Когда менеджер примет решение, процесс продолжится с учётом полученного подтверждения.
Для учебных экспериментов можно использовать временное хранилище в памяти программы. Для рабочего приложения, которое должно восстанавливаться после перезапуска, потребуется постоянное хранилище.
Важно не путать сохранение состояния с обучением нейросети. LangGraph сохраняет сведения о работе приложения, но сам по себе не меняет знания или параметры языковой модели.
Подробнее о хранении контекста и информации между задачами мы рассказывали в статье «Память AI-агента: как работает и зачем нужна».
Когда LangGraph не нужен
Если вы просто обращаетесь к модели через API, получаете ответ и показываете его пользователю, добавлять LangGraph необязательно.
Для небольшого проекта с одним-двумя понятными действиями часто достаточно обычного Python-кода. А для первого ИИ-агента можно использовать LangChain с готовым механизмом выполнения.
LangGraph стоит рассматривать, когда в проекте появляются развилки, циклы, согласования, длительные задачи или необходимость восстанавливать выполнение после ошибки.
При этом библиотека не решает все проблемы автоматически. Разработчику по-прежнему нужно подключить модели и инструменты, настроить доступ к данным, проверить ответы и ограничить действия агента.
Например, если помощник должен менять рекламные бюджеты или выполнять операции с заказами, право на такие действия следует проверять программно. Одной инструкции нейросети «не делай этого без разрешения» недостаточно.
Для следующего шага после первого графа можно заменить простую проверку слова на вызов языковой модели, добавить получение данных из настоящего источника и посмотреть в LangSmith Studio, какой путь проходит запрос. Так из небольшого примера постепенно получается приложение, способное решать более сложные задачи.
FAQ
LangGraph — библиотека для создания ИИ-агентов и управления их действиями. Она позволяет объединять отдельные шаги в граф, задавать условия перехода и сохранять состояние процесса.
Для многоэтапных ИИ-агентов: чат-ботов поддержки, аналитических помощников, обработки документов и автоматизации задач, в которых нужны разные маршруты, проверки или согласования.
LangChain предоставляет инструменты для подключения языковых моделей и создания агентов. LangGraph позволяет подробнее управлять выполнением: задавать узлы, переходы, циклы и правила сохранения состояния. Их можно использовать вместе.
LangGraph Studio — прежнее название LangSmith Studio, интерфейса для просмотра, тестирования и отладки ИИ-агентов. В нём можно изучать граф, выполненные действия и промежуточные результаты.
Да. Для Python есть библиотека LangGraph, которую можно установить командой python -m pip install -U langgraph. Она поддерживает создание графов с узлами и условными переходами.
Не обязательно. Для бота, который получает сообщение и возвращает ответ языковой модели, часто достаточно обычного API или LangChain. LangGraph полезен при более сложной логике.
Библиотека LangGraph доступна с открытым исходным кодом. Но платные языковые модели, облачные сервисы и дополнительные инструменты могут потребовать расходов.





