L'état à grande échelle
Comment LangGraph.js 1.5.1 fusionne les écritures sur une clé de l'état : champs StateSchema avec et sans reducer, ordre des écritures en parallèle, Overwrite et UntrackedValue.
L'état à grande échelle, Command et Send, les sous-graphes, le voyage dans le temps, les boucles qui tiennent et celles qui s'arrêtent, la planification, les deep agents et les tâches sur plusieurs sessions.
Pour les développeurs qui savent déjà construire des systèmes d'agents. Vous travaillez avec de grands graphes et leur état, vous routez avec Command et Send, vous rembobinez et bifurquez des exécutions, vous construisez des boucles qui se relèvent des échecs et savent s'arrêter, vous comparez des schémas de planification et vous faites tourner un harness de deep agents sur une longue tâche. Chaque lab exécute le vrai LangGraph.js 1.5.1 dans votre navigateur, avec un modèle scripté. Le harness de deep agents est recréé, et les écrans le disent.
Comment LangGraph.js 1.5.1 fusionne les écritures sur une clé de l'état : champs StateSchema avec et sans reducer, ordre des écritures en parallèle, Overwrite et UntrackedValue.
Un nœud peut mettre à jour l'état et choisir le nœud suivant en une seule étape avec Command, et répartir le travail entre des workers en parallèle avec Send, autant que le modèle en demande.
Construisez des équipes d'agents à partir de sous-graphes, décidez comment elles partagent l'état, lisez leurs espaces de noms dans le flux et comparez des patterns multi-agents par appels au modèle et tokens.
Chaque superstep enregistre un checkpoint : vous pouvez donc lire l'historique d'une exécution, rejouer depuis une étape passée, modifier un état passé et bifurquer vers une seconde fin.
Les politiques de nouvelle tentative, les timeouts, les gestionnaires d'erreurs et les checkpoints maintiennent une longue exécution quand un outil échoue ou que le processus s'arrête.
Une boucle a besoin d'arrêts qui tiennent quoi que fasse le modèle : une limite de récursion, un budget d'appels, un détecteur d'appels répétés et une personne qui peut dire non.
Plan-and-execute, ReWOO et LLMCompiler planifient le travail avant de le faire, et diffèrent en appels au modèle, en supersteps et en temps.
Les boucles évaluateur-optimiseur, la réflexion, best-of-n et la recherche arborescente dépensent plus d'appels au modèle pour obtenir une meilleure réponse, et chacune a besoin d'un budget.
Un deep agent planifie avec une liste de tâches, garde des notes dans des fichiers virtuels, confie des parties d'un travail à des sous-agents avec un contexte neuf et s'arrête avant les outils que vous nommez.
Un travail qui s'étend sur plusieurs sessions a besoin de compaction dans une session, de fichiers de passation et de mémoire entre les sessions, et d'une vérification de toute sa trajectoire.