Skip to main content

plan

Mục tiêu: Nắm bắt overview LangGraph một cách nhanh chóng, hiểu rõ bức tranh tổng thể và có thể code ứng dụng ngay lập tức. LangGraph có concept khá trừu tượng vì dựa trên lý thuyết Đồ thị (Graph) nên xây dựng theo hướng: Học 1 concept lõi → Code 1 ứng dụng thực tế ngay lập tức.

Công cụ: Google Colab (miễn phí), LangSmith, Tavily, OpenAI/Anthropic.

⚠️ Lưu ý Colab: Ở Giai đoạn 3, dùng SqliteSaver thay vì MemorySaver và mount Google Drive để tránh mất dữ liệu khi session timeout.

GIAI ĐOẠN 1: Hiểu bản chất & Bắt đầu nhanh (Ngày 1 - 2)​

Mục tiêu: Hiểu tại sao LangGraph lại dùng "Đồ thị" và cách luồng dữ liệu di chuyển mà chưa cần ghép AI phức tạp vào.

1. Các Concept cốt lõi bắt buộc phải nắm: Chỉ cần nhớ 3 thành phần tạo nên LangGraph:

  • State (Trạng thái): Là một cục dữ liệu (thường là Dictionary/Pydantic model) được truyền từ bước này sang bước khác. Mỗi bước có thể đọc hoặc ghi đè lên State này.
  • Nodes (Các nút): Là các hàm Python (Functions) thực hiện một công việc cụ thể (Ví dụ: Node gọi LLM, Node chạy công cụ Search Web).
  • Edges (Các cạnh): Quyết định luồng đi. Từ Node A đi sang Node B (Normal Edge), hoặc dùng logic IF/ELSE để quyết định đi sang Node B hay C (Conditional Edge).

2. Ứng dụng thực hành số 1: "Hello World" Graph (Không dùng LLM)

  • Việc cần làm: Đừng vội gọi API OpenAI. Hãy viết một Graph đơn giản bằng Python tĩnh:
    • State: Biến text (string).
    • Node 1: Nhận text, thêm chữ "Xin chào ".
    • Node 2: Thêm chữ "LangGraph!".
    • Thực thi: Chạy Graph và xem State thay đổi thế nào.
  • Mục đích: Giúp bạn không bị "ảo giác" của LLM làm rối trí. Bạn sẽ hiểu luồng dữ liệu truyền đi cực kỳ rõ ràng.

GIAI ĐOẠN 2: Xây dựng ReAct Agent cơ bản (Ngày 3 - 5)​

Mục tiêu: Tạo ra một AI Agent hoàn chỉnh có thể tự suy nghĩ, tự xài Tool và tự trả lời (ứng dụng có thể khoe được ngay).

1. Các Concept cốt lõi cần học:

  • Tool Calling: Cách bind (gắn) các công cụ (như Web Search, Máy tính) vào LLM.
  • ToolNode và tools_condition (Các hàm dựng sẵn của LangGraph giúp tiết kiệm 80% thời gian code).

2. Ứng dụng thực hành số 2: "Trợ lý nghiên cứu sự kiện thời sự"

  • Việc cần làm: Dùng API của Tavily (chuyên dụng cho AI Search) hoặc DuckDuckGo kết hợp với OpenAI/Anthropic.
  • Luồng (Graph):
    • User hỏi: "Giá vàng hôm nay bao nhiêu?" -> Đưa vào Node LLM.
    • LLM quyết định cần dùng Tool tìm kiếm -> Chuyển sang Conditional Edge.
    • Cạnh này hướng đến ToolNode (Thực hiện search web).
    • Search xong, trả kết quả về State -> Vòng ngược lại Node LLM.
    • LLM thấy đủ thông tin -> Trả lời User -> End.
  • Kết quả: Bạn có ngay một con bot thông minh hơn ChatGPT bản miễn phí vì nó lấy data realtime.

GIAI ĐOẠN 3: Thêm Memory & Human-in-the-Loop (Tuần 2)​

Mục tiêu: Hiểu 2 concept quan trọng nhất giúp LangGraph nổi bật so với các framework khác: trí nhớ và khả năng kiểm soát luồng.

1. Các Concept cốt lõi cần học:

  • Checkpointers (SqliteSaver): Cách LangGraph lưu trữ lịch sử các Node đã chạy để tạo "Memory" (Trí nhớ) cho Agent. Dùng SqliteSaver + mount Google Drive để tránh mất dữ liệu khi Colab timeout.
  • Human-in-the-Loop (HITL): Lệnh interrupt_before — dừng Graph lại tại một Node để chờ con người xác nhận.

2. Ứng dụng thực hành số 3: "Trợ lý hành động có kiểm duyệt"

  • Việc cần làm: Nâng cấp bot ở Giai đoạn 2.
  • Luồng (Graph):
    • Thêm tính năng ghi nhớ: Hỏi câu 1, câu 2 bot vẫn nhớ ngữ cảnh câu 1 (nhờ Thread ID và Checkpointer).
    • Thêm Mock Tool execute_action để mô phỏng hành động nhạy cảm (thay vì SMTP thật — không cần thiết cho mục tiêu học).
    • Áp dụng HITL: Cài đặt Graph tự động DỪNG (Pause) trước khi chạy Node execute_action. In ra màn hình: "Bạn có muốn thực hiện hành động này không (Y/N)?". Nếu gõ Y, Graph tiếp tục chạy (Resume). Nếu gõ N, Graph quay lại bắt LLM làm lại.
  • Mục đích: Dùng mock tool giúp tập trung vào HITL pattern mà không mất thời gian cấu hình SMTP.

GIAI ĐOẠN 4: Overview Multi-Agent (Tuần 3)​

Mục tiêu: Hiểu kiến trúc Multi-Agent — cách LangGraph quản lý nhiều Agent phối hợp với nhau. Scope nhỏ, đủ để nắm pattern.

1. Khái niệm cốt lõi cần học:

  • Supervisor Pattern (Mô hình quản lý): Một LLM đóng vai trò điều phối luồng, quyết định giao việc cho Agent nào.
  • Sub-graphs: Graph lồng trong Graph (Mỗi Agent con thực chất là một Graph nhỏ).

2. Ứng dụng thực hành số 4: Multi-Agent đơn giản (2 Agent)

  • Việc cần làm: Tạo 2 Agent (đủ để hiểu pattern, không cần build team phức tạp).
    • Agent Supervisor: Nhận yêu cầu, quyết định giao cho Worker Agent.
    • Agent Worker: Thực hiện công việc cụ thể (tìm kiếm hoặc tóm tắt thông tin).
  • Luồng: Supervisor nhận input → Gọi Worker → Nhận kết quả → Trả về output cuối.
  • Mục đích: Hiểu Sub-graph và cách state được truyền qua lại giữa các Agent.

GIAI ĐOẠN 5: Reflection — Điểm Mạnh & Yếu của LangGraph (1 - 2 ngày)​

Mục tiêu: Đây là output quan trọng nhất của cả lộ trình. Sau khi đã qua thực chiến 4 giai đoạn, viết ra nhận định cá nhân có căn cứ.

Các câu hỏi cần trả lời:

  • Điểm mạnh: LangGraph giải quyết vấn đề gì tốt hơn LangChain thuần (LCEL)? Khi nào nên dùng?
  • Điểm yếu: Khi nào LangGraph là overkill? Khó debug ở đâu? Overhead lớn nhất là gì?
  • Trade-off: So với CrewAI hoặc AutoGen, LangGraph có gì khác biệt về triết lý thiết kế?

Output kỳ vọng: Một bài blog phân tích đăng lên site — vừa củng cố kiến thức, vừa tạo giá trị chia sẻ cho cộng đồng.