AI上門教學上門AI課程單對單AI教學小班AI教學上門AI教學上門AI班熱門AI課程

本AI課程專為已有基本 Python 經驗的開發者、資料科學家或產品工程師設計，旨在快速掌握運用 LangGraph 建構具備狀態管理、循環邏輯與多 Agent 協作的複雜 AI 應用。

課程名稱：LangGraph 實戰入門 —— 建構控管自如的多 Agent AI 應用

課程時長：2 小時

適合對象：具備 Python 與基礎 LLM/LangChain 概念的開發者、AI 工程師、技術主管

課前準備：Python 3.10+ 環境、OpenAI / Anthropic API Key、Jupyter Notebook 或 VS Code

[00-20 min] 核心概念解析：為何需要 LangGraph？

[20-55 min] 實戰一：從零建立第一個 StateGraph 狀態機

[55-90 min] 實戰二：實現 Human-in-the-Loop 人工審核與 Time Travel

[90-115 min] 實戰三：多 Agent 協作架構 (Multi-Agent Workflows)

[115-120 min] 總結、LangGraph Cloud 介紹與 Q&A

第一單元：核心概念解析 (20 分鐘)

LLM 應用的演進：從 Chain（鏈式）到 DAG（有向無環圖），再到 Graph（支援循環的圖形結構）。
為什麼選擇 LangGraph？
- 解決傳統 Agent 易陷入死迴圈與狀態難以控管的問題。
- 支援狀態持續性 (State Persistence) 與長程任務記憶 (Memory)。
LangGraph 三大核心要素：
1. State（狀態）：定義 Graph 傳遞的資料結構（TypedDict / Pydantic）。
2. Nodes（節點）：執行的 Python 函數（呼叫 LLM、Tool 或自訂邏輯）。
3. Edges（邊）：控制流程走勢，包含普通邊與條件邊（Conditional Edges）。

第二單元：實戰一 —— 從零建立第一個 StateGraph (35 分鐘)

環境建置：安裝 langgraph、langchain-openai 等核心套件。
範例：建構具備 Tool Calling 與循環決策的 ReAct Agent
- 定義 AgentState（訊息列表更新策略 add_messages）。
- 撰寫 LLM 節點與 Tool 執行節點。
- 設定條件分支：檢查 LLM 是否發出工具呼叫請求（tools_condition）。
編譯與執行：
- 使用 .compile() 生成 Graph。
- 繪製與視覺化 Graph 流程圖 (app.get_graph().draw_mermaid_png())。

第三單元：實戰二 —— 狀態持久化與 Human-in-the-Loop (35 分鐘)

Checkpointer 記憶機制：
- 使用 MemorySaver 為 Graph 引入 Thread ID 記憶上下文。
Human-in-the-Loop (HITL) 人工干預：
- 設定中斷點 (interrupt_before / interrupt_after)。
- 案例示範：敏感操作（如發送 Email 或資料庫寫入）前暫停，等待人工確認。
Time Travel（時間旅行與狀態修復）：
- 檢視歷史狀態紀錄 (State History)。
- 動態修改狀態 (Update State) 並從指定節點分叉重跑。

第四單元：實戰三 —— 多 Agent 協作架構 (25 分鐘)

Multi-Agent 設計模式：
- Supervisor 模式：中央主導 Agent 負責分派任務給專業 Sub-Agent。
- Collaboration 模式： Agent 之間直接傳遞訊息與接棒。
實戰案例：研究與文案撰寫團隊
- Agent A (Researcher)：負責上網搜尋並整理資料。
- Agent B (Writer)：根據資料撰寫最終報告。
- 設定 Agent 間的切換機制與終止條件 (END)。

第五單元：總結、生態系與 Q&A (5 分鐘)

查詢/報讀