LangGraph: xây agent bền bỉ — hướng dẫn cài đặt và dùng
Bài này là một góc nhìn khác về langchain-ai/langgraph — repo từng đổi tên nên mình viết lại với cách tiếp cận khác. Bài hướng dẫn chính: LangGraph: xây agent bền bỉ, có trạng thái — hướng dẫn cài đặt và dùng →

Tóm tắt nhanh
LangGraph là framework Python cấp thấp để xây dựng các agent và workflow có trạng thái, có bộ nhớ, chịu lỗi và chạy lâu dài. Repo phù hợp với dev cần kiểm soát luồng xử lý agent ở mức chi tiết; cài đặt cơ bản khá đơn giản bằng pip, nhưng README chưa ghi đầy đủ cách chạy ứng dụng đầu tiên.
LangGraph là framework Python cấp thấp để xây dựng, quản lý và triển khai các agent có trạng thái. Thay vì chỉ gọi một mô hình ngôn ngữ rồi nhận kết quả, bạn có thể tổ chức một quy trình nhiều bước, lưu trạng thái, cho người thật can thiệp và tiếp tục xử lý sau khi gặp lỗi.
Repo này phù hợp với lập trình viên xây chatbot, trợ lý nội bộ, quy trình tự động hóa hoặc ứng dụng AI cần chạy lâu dài. Điểm đáng giá nhất là LangGraph cho bạn nền tảng điều phối khá rõ ràng: agent có thể nhớ thông tin, tạm dừng để chờ người duyệt, khôi phục đúng tiến độ và được theo dõi khi chạy trong môi trường thực tế.
Repo hiện có khoảng 44.897 sao và 7.743 fork, dùng giấy phép MIT, ngôn ngữ chính là Python. LangGraph vẫn còn được cập nhật và có hệ sinh thái kết nối với LangChain, Deep Agents và LangSmith.
langchain-ai/langgraph
Framework Python cấp thấp để xây dựng, quản lý và triển khai agent có trạng thái, chạy lâu dài và có thể tiếp tục sau lỗi.
I.LangGraph làm được gì
A.Điều phối workflow và agent có trạng thái
LangGraph cung cấp hạ tầng cấp thấp cho các workflow hoặc agent chạy lâu dài và có trạng thái. Bạn có thể chia một quy trình thành nhiều bước, xác định bước nào chạy trước, bước nào phụ thuộc vào kết quả trước đó và thông tin nào cần được giữ lại.
Điều này hữu ích khi bài toán không thể giải quyết bằng một câu hỏi và một câu trả lời duy nhất. Ví dụ, một trợ lý có thể nhận yêu cầu, kiểm tra dữ liệu, gọi công cụ, chờ phê duyệt rồi mới thực hiện bước cuối. LangGraph giúp tổ chức luồng này thành một hệ thống có thể theo dõi và kiểm soát.
B.Tiếp tục sau lỗi với durable execution
Agent có thể chạy trong thời gian dài và gặp lỗi giữa chừng. Tính năng durable execution cho phép quy trình tiếp tục từ đúng vị trí đã dừng, thay vì phải chạy lại toàn bộ từ đầu.
Với các tác vụ tốn thời gian hoặc có nhiều bước, khả năng này giúp giảm công việc lặp lại. Nó cũng phù hợp với những quy trình cần chờ dịch vụ khác phản hồi hoặc phải xử lý qua nhiều giai đoạn.
C.Cho con người tham gia đúng lúc
LangGraph hỗ trợ human-in-the-loop. Bạn có thể dừng agent để người dùng kiểm tra, sửa trạng thái hoặc phê duyệt trước khi quy trình tiếp tục.
Đây là điểm quan trọng với các tác vụ có rủi ro như gửi thông báo, thay đổi dữ liệu, xử lý yêu cầu khách hàng hoặc thực hiện hành động thay mặt doanh nghiệp. Agent vẫn tự động hóa phần lớn công việc, nhưng quyết định cuối có thể được giữ lại cho con người.
D.Quản lý bộ nhớ ngắn hạn và dài hạn
LangGraph hỗ trợ cả bộ nhớ làm việc trong một phiên và bộ nhớ lâu dài giữa nhiều phiên. Bộ nhớ ngắn hạn giúp agent duy trì mạch suy luận trong một cuộc hội thoại hoặc một quy trình. Bộ nhớ dài hạn giúp agent sử dụng thông tin đã lưu ở các lần làm việc khác.
Nhờ đó, bạn có thể xây trợ lý biết ngữ cảnh thay vì mỗi lần mở cuộc trò chuyện lại bắt đầu từ đầu. README không quy định một loại dữ liệu hay nhà cung cấp bộ nhớ bắt buộc, nên cách triển khai cụ thể cần xem thêm tài liệu và mã mẫu trong repo.
E.Theo dõi và gỡ lỗi bằng LangSmith
LangGraph có thể kết hợp với LangSmith để quan sát hành vi của agent. Bạn có thể xem đường đi của quá trình thực thi, các lần thay đổi trạng thái và các chỉ số thời gian chạy.
Với agent nhiều bước, việc này giúp tìm ra bước bị lỗi hoặc bước tạo ra kết quả không như mong muốn. Đây là nền tảng cho việc gỡ lỗi, đánh giá trajectory của agent và cải thiện ứng dụng khi đưa vào sử dụng thật.
F.Hỗ trợ triển khai hệ thống agent
LangGraph hướng tới việc triển khai các agent phức tạp trong môi trường thực tế. Hệ sinh thái LangSmith Deployment cung cấp hạ tầng để triển khai và mở rộng workflow có trạng thái, chạy lâu dài.
Bạn có thể dùng LangGraph độc lập, nhưng repo cũng tích hợp với các sản phẩm trong hệ sinh thái LangChain. Deep Agents phù hợp khi bạn muốn lớp trừu tượng cao hơn, còn LangChain cung cấp các thành phần và tích hợp có thể ghép lại.
II.Cần chuẩn bị gì
Tư liệu được cung cấp xác nhận LangGraph là thư viện Python và README có lệnh cài bằng pip. Vì vậy, bạn cần một môi trường có Python và pip hoạt động. README không ghi phiên bản Python tối thiểu, hệ điều hành được hỗ trợ, phần cứng yêu cầu hay tài khoản bắt buộc.
Bạn cũng chưa cần LangChain để cài LangGraph. README nói rõ LangGraph có thể được dùng độc lập, dù có thể tích hợp với các sản phẩm LangChain.
Nếu chỉ cài thư viện, tư liệu chưa yêu cầu API key. Tuy nhiên, để xây một agent dùng mô hình ngôn ngữ hoặc kết nối dịch vụ bên ngoài, bạn có thể cần cấu hình riêng tùy mô hình và cách triển khai. README được cung cấp không nêu tên API key, biến môi trường hay nhà cung cấp mô hình nào, nên không nên tự đoán tên biến hoặc giá trị cần điền.
README cũng không ghi yêu cầu GPU. Không có thông tin cho thấy bạn bắt buộc phải có GPU để cài LangGraph.
III.Cài đặt từng bước
- Chuẩn bị Python và pipMở terminal và kiểm tra môi trường Python
- Lấy mã nguồn nếu muốn xem repoClone repo rồi đi vào thư mục dự án
- Cài LangGraphChạy lệnh pip chính thức trong README
- Đọc ví dụ và tài liệuXem docs, examples và hướng dẫn Quickstart trong repo
- Xây workflow đầu tiênTự định nghĩa trạng thái, các bước và cách chạy theo tài liệu
A.Chuẩn bị terminal
Mở PowerShell hoặc terminal tại nơi bạn muốn làm việc. README không đưa lệnh kiểm tra phiên bản Python, nên tư liệu chưa có câu lệnh chính thức để xác nhận phiên bản cụ thể.
Bạn cần chắc chắn pip thuộc đúng môi trường Python mà bạn định dùng. Người mới thường cài thư viện vào một Python khác với Python chạy chương trình. Nếu máy có nhiều môi trường, hãy kiểm tra lại trình thông dịch trước khi bắt đầu.
B.Lấy mã nguồn repo nếu cần
Nếu bạn muốn đọc ví dụ, tài liệu hoặc mã nguồn, có thể clone repo rồi đi vào thư mục. Đây là lệnh phổ thông được phép bổ sung:
git clone https://github.com/langchain-ai/langgraph.git
cd langgraphLệnh đầu tiên tải mã nguồn về máy. Lệnh thứ hai chuyển terminal vào thư mục langgraph.
Repo có các thư mục và tệp đáng chú ý như README.md, docs/, examples/, libs/, AGENTS.md và Makefile. Nếu mục tiêu của bạn là dùng thư viện nhanh, có thể cài bằng pip mà không cần clone. Nếu muốn học cách repo tổ chức mã nguồn hoặc chạy ví dụ, clone repo sẽ thuận tiện hơn.
C.Cài gói LangGraph
README cung cấp lệnh cài đặt sau:
pip install -U langgraphpip install cài gói LangGraph. Tùy chọn -U yêu cầu pip nâng cấp lên bản mới hơn nếu máy đã có gói này.
Hãy chạy lệnh trong terminal đang dùng đúng môi trường Python. Nếu terminal báo không tìm thấy pip, môi trường Python chưa được cấu hình đúng hoặc pip chưa có trong PATH. README không ghi cách xử lý cụ thể cho lỗi này, nên bạn cần sửa môi trường Python trước khi chạy lại.
Tư liệu chỉ ghi lệnh cài thư viện, chưa ghi lệnh cài thêm LangChain, LangSmith, Deep Agents hay một gói mô hình cụ thể. Không nên tự thêm các gói đó nếu bạn chưa xác định chúng cần cho ứng dụng của mình.
D.Mở tài liệu và ví dụ
Sau khi cài, hãy đọc phần tài liệu trong repo và thư mục examples/. README giới thiệu các tài liệu về tổng quan, Quickstart, bộ nhớ, interrupt, durable execution và các mẫu thiết kế như branching hoặc subgraphs.
README chưa ghi một lệnh chạy ví dụ cụ thể. Vì vậy, không có lệnh python chính thức nào có thể chép lại từ tư liệu hiện có. Bạn nên tìm hướng dẫn Quickstart hoặc các tệp trong examples/ để biết tên tệp, cách cấu hình và cách khởi chạy chính xác.
E.Xây agent đầu tiên theo tài liệu
LangGraph là framework cấp thấp, nên sau khi cài bạn cần tự mô hình hóa trạng thái và các bước trong workflow. README không đưa đoạn mã Python hoàn chỉnh, không nêu tên lớp, hàm hoặc cấu trúc tệp bắt buộc.
Vì vậy, bước tiếp theo an toàn là chọn một ví dụ trong Quickstart hoặc examples/, đọc cách ví dụ định nghĩa trạng thái và luồng chạy, rồi điều chỉnh cho bài toán của bạn. Nếu bạn muốn một lớp trừu tượng cao hơn để agent tự lập kế hoạch, dùng subagent và làm việc với file system, README gợi ý Deep Agents.
IV.Kiểm tra đã chạy được chưa
Cách kiểm tra chắc chắn nhất theo tư liệu là chạy lệnh cài đặt và xem pip hoàn tất mà không báo lỗi:
pip install -U langgraphNếu pip cài hoặc nâng cấp gói thành công, môi trường đã nhận được LangGraph. README không cung cấp lệnh kiểm tra import, lệnh chạy Quickstart hay màn hình kết quả mẫu, nên không nên coi một câu lệnh tự nghĩ ra là kết quả chính thức của repo.
Để kiểm tra ở mức ứng dụng, hãy mở Quickstart hoặc một ví dụ trong repo và làm theo đúng lệnh được ghi ở đó. Kết quả mong đợi sẽ phụ thuộc vào workflow, mô hình và công cụ mà ví dụ sử dụng. LangGraph được cài thành công không có nghĩa mọi agent đã tự chạy được; agent còn có thể cần mô hình, dữ liệu hoặc cấu hình dịch vụ riêng.
V.Dùng vào việc thật
A.Trợ lý xử lý yêu cầu khách hàng
Một chủ shop hoặc đội chăm sóc khách hàng có thể dùng LangGraph để tổ chức quy trình nhiều bước: nhận câu hỏi, giữ lại thông tin cuộc trò chuyện, kiểm tra dữ liệu cần thiết, tạo câu trả lời và chuyển cho nhân viên khi cần.
Bạn có thể thiết kế trạng thái để lưu nội dung yêu cầu và kết quả từng bước. Nếu câu hỏi thuộc nhóm nhạy cảm, workflow có thể tạm dừng để nhân viên xem lại trước khi gửi. Sau khi nhân viên chỉnh sửa hoặc phê duyệt, agent tiếp tục từ điểm đã dừng thay vì bắt đầu lại.
Kết quả thực tế là một quy trình hỗ trợ có kiểm soát hơn. Agent đảm nhiệm phần lặp lại, còn nhân viên giữ quyền quyết định ở những bước quan trọng.
B.Trợ lý nội bộ cho nhân viên văn phòng
Một doanh nghiệp có thể xây trợ lý nội bộ cần nhớ ngữ cảnh qua nhiều lượt trao đổi. Ví dụ, nhân viên đưa yêu cầu, bổ sung thông tin ở lượt sau và muốn hệ thống tiếp tục dựa trên những gì đã biết.
LangGraph cung cấp nền tảng cho bộ nhớ ngắn hạn trong một phiên và bộ nhớ dài hạn giữa các phiên. Bạn cần tự chọn cách lưu trữ và cấu hình cụ thể theo tài liệu vì README không chỉ định cơ sở dữ liệu hay nhà cung cấp bộ nhớ nào.
Kết quả mong muốn là trợ lý không phải hỏi lại toàn bộ bối cảnh mỗi lần làm việc. Cách triển khai thực tế vẫn phụ thuộc vào mô hình, dữ liệu và các tích hợp bạn chọn.
C.Workflow tự động hóa có bước chờ duyệt
Một đội vận hành có thể dùng LangGraph cho quy trình cần agent chuẩn bị hành động nhưng chưa được phép thực hiện ngay. Agent xử lý dữ liệu đầu vào, đưa ra đề xuất, sau đó dừng để người phụ trách kiểm tra.
Với human-in-the-loop, người phụ trách có thể xem hoặc chỉnh sửa trạng thái trước khi cho workflow chạy tiếp. Cách này phù hợp khi doanh nghiệp muốn tăng tốc xử lý nhưng vẫn giữ lớp kiểm soát của con người.
README không cung cấp một prompt hoặc câu lệnh nghiệp vụ mẫu cụ thể. Vì vậy, bạn cần viết prompt và quy tắc phê duyệt phù hợp với quy trình của mình, dựa trên cấu trúc trong tài liệu và ví dụ.
D.Agent chạy lâu dài và cần khôi phục sau lỗi
Một lập trình viên có thể dùng LangGraph cho tác vụ nhiều bước, trong đó một số bước mất thời gian hoặc phụ thuộc vào dịch vụ khác. Nếu chương trình bị gián đoạn, durable execution giúp agent tiếp tục từ vị trí đã lưu.
Khi đưa hệ thống vào vận hành, bạn cũng có thể kết hợp LangSmith để quan sát đường đi thực thi, thay đổi trạng thái và chỉ số thời gian chạy. Điều này giúp tìm bước lỗi và đánh giá hành vi của agent.
Kết quả là workflow dễ theo dõi hơn so với một đoạn mã gọi mô hình nối tiếp đơn giản. Tuy vậy, README chưa mô tả cấu hình triển khai chi tiết, nên phần vận hành cần đọc thêm tài liệu deployment.
Agent tốt không chỉ trả lời đúng; agent còn phải biết nhớ, chờ, tiếp tục và chịu lỗi.
Ông T
Nếu workflow gọi mô hình hoặc dịch vụ trả phí, hãy tự kiểm tra chi phí và quyền truy cập trước khi chạy thật.
README không nêu tên API key hay biến môi trường cụ thể, nên không nên tự đoán cấu hình.
Không đưa key vào mã nguồn hoặc chia sẻ log có chứa thông tin bí mật.
VI.Lỗi hay gặp và cách xử lý
A.Cài nhầm vào môi trường Python
Lệnh pip có thể chạy thành công nhưng chương trình vẫn không nhận LangGraph nếu pip thuộc một môi trường Python khác. Hãy kiểm tra terminal đang dùng đúng môi trường dự án trước khi cài lại.
README không cung cấp lệnh kiểm tra môi trường cụ thể, nên cần dựa vào cách quản lý Python của máy bạn. Không nên cài nhiều bản ngẫu nhiên chỉ để thử.
B.Không tìm thấy pip
Nếu terminal báo không tìm thấy pip, Python hoặc pip chưa được cài đúng hoặc chưa có trong PATH. Hãy hoàn thiện môi trường Python trước rồi chạy lại lệnh chính thức:
pip install -U langgraphREADME không có hướng dẫn sửa PATH cho từng hệ điều hành.
C.Nghĩ rằng cài thư viện là đã có agent hoàn chỉnh
LangGraph là framework điều phối cấp thấp, không phải một agent dựng sẵn cho mọi nhu cầu. Sau khi cài, bạn vẫn cần định nghĩa workflow, trạng thái, mô hình và các tích hợp cần thiết.
Nếu bạn cần xây agent nhanh hơn với khả năng lập kế hoạch, dùng subagent và làm việc với file system, README gợi ý Deep Agents.
D.Không biết chạy tệp nào sau khi clone
Repo có nhiều thư mục như docs/, examples/ và libs/, nhưng README được cung cấp không ghi một lệnh chạy ví dụ duy nhất. Hãy bắt đầu từ Quickstart hoặc đọc tệp trong examples/ thay vì đoán tên tệp để chạy.
E.Agent chạy nhưng khó tìm nguyên nhân lỗi
Workflow có nhiều bước và trạng thái dễ khó debug nếu chỉ xem kết quả cuối. README gợi ý kết hợp LangSmith để theo dõi đường đi thực thi, các lần chuyển trạng thái và chỉ số runtime.
VII.Có nên dùng không
Bạn nên chọn LangGraph nếu cần xây agent hoặc workflow có trạng thái, chạy lâu dài, có bộ nhớ, có bước người duyệt và khả năng tiếp tục sau lỗi. Framework phù hợp với dev muốn kiểm soát luồng xử lý ở mức chi tiết và có định hướng đưa hệ thống vào vận hành thực tế.
Điểm mạnh là nền tảng rõ cho durable execution, human-in-the-loop, bộ nhớ, quan sát bằng LangSmith và triển khai. LangGraph cũng có thể dùng độc lập, đồng thời kết nối với LangChain và các sản phẩm liên quan. Giấy phép MIT giúp repo phù hợp cho nhiều dự án phần mềm.
Giới hạn là đây là framework cấp thấp. README không đưa một ứng dụng hoàn chỉnh chỉ cần chạy ngay, không nêu phiên bản Python tối thiểu, không cung cấp cấu hình mô hình, API key, lệnh chạy Quickstart hay công thức triển khai đầy đủ. Người mới có thể cần đọc thêm tài liệu và ví dụ trước khi xây được workflow đầu tiên.
Nếu bạn chỉ cần một chatbot đơn giản với một lần gọi mô hình, LangGraph có thể là lựa chọn lớn hơn nhu cầu. Nếu bạn muốn lớp trừu tượng cao hơn cho agent biết lập kế hoạch, gọi subagent và dùng file system, hãy xem Deep Agents. Nếu mục tiêu chính là theo dõi, đánh giá và triển khai ứng dụng agent, hãy xem thêm LangSmith và tài liệu deployment.
Tóm lại, LangGraph đáng dùng khi bài toán của bạn có nhiều bước, cần lưu trạng thái hoặc cần con người kiểm soát. Hãy bắt đầu bằng lệnh pip, đọc Quickstart, thử một ví dụ nhỏ rồi mới mở rộng sang bộ nhớ, quan sát và triển khai.
Câu hỏi thường gặp
LangGraph là gì?
LangGraph là framework Python cấp thấp để xây dựng, quản lý và triển khai agent hoặc workflow có trạng thái. Nó hỗ trợ các tác vụ chạy lâu dài, bộ nhớ, người duyệt và tiếp tục sau lỗi.
LangGraph có miễn phí không?
Repo sử dụng giấy phép MIT. README không nêu chi phí cụ thể cho các mô hình, dịch vụ bên ngoài hoặc hạ tầng triển khai, nên phần đó cần kiểm tra riêng.
Có cần GPU để chạy LangGraph không?
Tư liệu được cung cấp không nêu yêu cầu GPU. README chỉ xác nhận đây là thư viện Python và đưa lệnh cài bằng pip.
Có cần cài LangChain không?
Không bắt buộc theo README. LangGraph có thể dùng độc lập, nhưng cũng tích hợp với các sản phẩm LangChain như LangChain, Deep Agents và LangSmith.
README có hướng dẫn chạy ví dụ hoàn chỉnh không?
README giới thiệu Quickstart, thư mục examples và tài liệu liên quan nhưng phần tư liệu được cung cấp không có lệnh chạy ví dụ hay đoạn mã Python hoàn chỉnh. Bạn cần xem thêm các tệp và tài liệu đó.
LangGraph chạy được trên Windows không?
Tư liệu được cung cấp không nêu danh sách hệ điều hành được hỗ trợ. Vì vậy chưa thể xác nhận riêng khả năng chạy trên Windows chỉ từ README này.
Dữ liệu và API key có an toàn không?
README không nêu chính sách lưu dữ liệu, tên API key hay biến môi trường cụ thể. Khi triển khai, bạn nên tự kiểm soát quyền truy cập và không đưa key vào mã nguồn hoặc log.


