Collection

Aucun article trouvé dans cette collection.

Image de Personnalisation du state avec LangGraph : guide complet

Artificial Intelligence

LLM

Python

Personnalisation du state avec LangGraph : guide complet

Tech Lead, CTO AXI Technologies

Romain DE LA SOUCHÈRE

Publié le 16 mai 2025 · 10 min de lecture

Table de matières

Pourquoi personnaliser l'état dans LangGraph ?

Déclaration d'un state personnalisé

Mise à jour de l'état dans un outil

Exécution du graphe avec un state enrichi

Mise à jour manuelle de l'état

Cas d'usage : assistant avec vérification humaine

Code complet

Conclusion

Partager avec

La personnalisation du state est une fonctionnalité puissante de LangGraph qui permet de créer des agents conversationnels plus flexibles, adaptables et intelligents. Dans cet article, nous allons découvrir comment ajouter des champs personnalisés à l'état, les mettre à jour dynamiquement et exploiter tout le potentiel de l'écosystème LangChain.

Pourquoi personnaliser l'état dans LangGraph ?

Par défaut, LangGraph gère l'état conversationnel à l'aide d'une liste de messages. Si cette approche fonctionne bien pour des dialogues simples, elle devient vite limitée pour des workflows complexes (récupération d'informations, vérifications, interactions humaines, système multi-agent, etc.).

En ajoutant des champs personnalisés au state, vous pouvez :

stocker des données structurées (nom, date, étape du processus...)
partager des informations entre différents noeuds du graphe
permettre une meilleure persistance et introspection de l'état

Déclaration d'un state personnalisé

Voici un exemple de structure d'état personnalisé :

python

On ajoute ici deux champs personnalisés name et birthday à l'état. Ceux-ci pourront être lus ou modifiés par les différents noeuds du graphe.

Mise à jour de l'état dans un outil

LangGraph permet de mettre à jour l'état directement depuis un outil grâce à l'objet Command. Voici un exemple avec un outil de validation humaine :

python

👉 Plus de détails : création d'un agent LangGraph capable d'utiliser des outils externes.

Exécution du graphe avec un state enrichi

Lors de l'exécution du graphe, on peut prompt le chatbot pour lancer une recherche et déclencher l'intervention humaine :

python

Une fois l'information vérifiée, elle est injectée dans le state et peut être consultée à tout moment :

python

-> Lors de l'exécution du graphe, on peut aussi streamer les événements pour avoir une réponse de l'agent en temps réel.

Mise à jour manuelle de l'état

LangGraph offre aussi la possibilité de modifier l'état manuellement :

python

Cette souplesse est particulièrement utile pour corriger l'état, injecter des données ou contrôler finement le workflow.

Cas d'usage : assistant avec vérification humaine

Ce tutoriel montre un exemple simple mais puissant : un assistant qui utilise un outil de recherche, récupère une date, puis sollicite une validation humaine avant de mettre à jour l'état.

Ce modèle peut être facilement adapté à des cas d'usage réels :

saisie et vérification de données clients
contrôle de qualité
validation d'étapes de workflow complexes

Code complet

Voici le code complet du graphe personnalisé (pensez bien à remplacer la clé Tavily dans le code) :

python

Conclusion

La personnalisation du state dans LangGraph est une fonctionnalité essentielle pour développer des agents adaptés aux besoins métiers. En combinant des champs personnalisés, des outils avec vérification humaine et une logique de graphe claire, vous pouvez construire des applications conversationnelles robustes, auditables et intelligentes.

Poursuivez l'exploration en combinant cette fonctionnalité avec le checkpointing, les outils avancés ou les flux multi-agents pour créer des systèmes toujours plus puissants comme un agent "Plan and Execute".

Partager avec

💙 Merci d'avoir parcouru l'article jusqu'à la fin !

Romain DE LA SOUCHÈRE

Tech Lead, CTO AXI Technologies

Expert Data Engineering et Cloud, Romain affiche plus de 11 ans d'expérience, dont plusieurs années comme Lead Developer sur des solutions Smart Building haute performance. Il y a conçu et mis en production des moteurs de traitement capables d'absorber des centaines de milliers de données de capteurs par minute, ainsi que des bases clusterisées gérant plus de 10 millions de données dynamiques. Certifié Microsoft Azure DevOps Engineer Expert, il maîtrise aussi bien le développement back-end (Python, C#) que le DevOps (Docker, Kubernetes, Terraform) et les agents LLM. Formateur en Python, cloud, DevOps et IA générative appliquée, il forme avec une obsession : Amener chaque apprenant à concevoir et déployer des architectures réellement scalables en production.

» En savoir plus