Construisez des pipelines de données robustes, scalables et prêts pour la production. Devenez un ingénieur data capable de concevoir, déployer et industrialiser des architectures modernes cloud & Big Data.
LangGraph est une bibliothèque puissante conçue pour orchestrer des workflows complexes basés sur des agents conversationnels utilisant des modèles de langage avancés (LLM). Elle s'inscrit dans la continuité de l'écosystème LangChain, en y ajoutant une couche de coordination structurée par graphes. Dans cet article, nous allons détailler chaque étape pour créer un agent conversationnel basique avec LangGraph, en nous appuyant sur les bonnes pratiques et les outils recommandés par la documentation officielle.
Pourquoi utiliser LangGraph ?
LangGraph vous permet de modéliser des interactions complexes sous forme de graphes d'état, où chaque nœud correspond à une unité de traitement (comme une fonction Python ou un appel de LLM), et chaque transition définit la logique d'enchaînement entre les nœuds. Contrairement à des chaînes linéaires rigides, cette approche permet une plus grande flexibilité, une meilleure traçabilité de l'état et des comportements plus adaptatifs, comme le branching conditionnel ou les boucles.
Cette architecture est particulièrement adaptée pour les applications où la mémoire, l'appel d'outils, ou la coopération entre plusieurs agents sont cruciaux. À terme, LangGraph offre un socle idéal pour construire des agents autonomes et intelligents.
Prérequis
Avant de démarrer, assurez-vous d'avoir les éléments suivants :
-> Un environnement Python fonctionnel avec les bibliothèques suivantes installées :
shell
langgraph est le cœur de la bibliothèque de graphes, tandis que langsmith permet d'inspecter, tester et analyser vos workflows grâce à un outil de traçage visuel.
1. Définir le graphe d'état
La première étape consiste à définir le type d'état que va manipuler le graphe. L'état représente l'ensemble des données partagées entre les nœuds au fil de l'exécution.
python
Ici, le champ messages représente une liste de messages échangés avec l'utilisateur et le LLM. L'utilisation du réducteur add_messages permet d'indiquer que les nouveaux messages doivent être ajoutés à la liste existante, et non les remplacer. Cette accumulation est essentielle pour maintenir un historique de conversation.
2. Ajouter un modèle de langage
Ensuite, nous devons initialiser un modèle de langage. LangChain fournit la fonction initchatmodel qui facilite l'interfaçage avec plusieurs fournisseurs.
python
Vous pouvez remplacer le fournisseur par openai:gpt-4, google_genai:gemini-1.5, etc., selon vos préférences et clés d'accès.
Pour la compatibilité avec notre système de code, nous allons utiliser ChatOpenAI avec un modèle fournis par groq llama-3.3-70b-versatile :
python
3. Créer un nœud d'agent
Un nœud dans LangGraph est une fonction qui reçoit l'état courant et renvoie un dictionnaire avec les modifications à appliquer à cet état. Voici un exemple minimal :
python
Ce nœud appelle le LLM sur la liste des messages, puis ajoute la réponse générée dans le champ messages du nouvel état. Cela crée un dialogue dynamique où chaque message utilisateur entraîne une réponse.
4. Définir le point d'entrée du graphe
Il est nécessaire de définir l'entrée du graphe, autrement dit : où commencer l'exécution.
python
Cela indique que le nœud "chatbot" est le premier à être appelé lors de l'exécution du graphe.
5. Compiler le graphe
Le graphe est pour l'instant défini, mais non exécutable. Il faut donc le compiler :
python
Cette opération transforme la structure en une instance éxécutable pouvant être appelée ou streamée.
6. Exécuter le chatbot
Voici une boucle interactive vous permettant de dialoguer avec le chatbot, ligne par ligne. Elle utilise le mode streaming pour afficher la réponse au fur et à mesure :
python
Cela permet d'envoyer une entrée utilisateur et de recevoir la réponse générée par le LLM en fonction de l'historique cumulé. Vous pouvez ainsi tester rapidement votre agent.
Code complet
Voici le code complet de l'agent LangGraph tel que construit dans ce tutoriel (sans la boucle itérative) :
python
Conclusion
Félicitations ! Vous avez mis en place un agent basique LangGraph. Ce chatbot repose sur une architecture modulaire, prête à évoluer vers des comportements plus complexes, comme l'ajout d'outils, de contrôles conditionnels ou de plusieurs agents. LangGraph est la fondation idéale pour des applications conversationnelles avancées, notamment pour Exploiter le Human-in-the-Loop et ajouter l'humain dans la boucle de vos agents IA.
Envie d’aller plus loin ? Formez vos équipes à la conception et au déploiement d’agents LLM
Partager avec
💙 Merci d'avoir parcouru l'article jusqu'à la fin !
Romain DE LA SOUCHÈRE - Lead Developer, Expert Cloud et DevOps
Ingénieur de formation avec plus de 11 ans d'expérience dans le développement back-end et le data engineering. Expert dans l’industrialisation des projets data dans le cloud.
