Các ứng dụng AI đơn giản theo mô hình Chatbot hỏi-đáp tuần tự (single-turn) đang dần nhường chỗ cho Autonomous Agentic Systems - nơi các agent có thể tự động lập kế hoạch, sử dụng công cụ bên ngoài, đánh giá kết quả và lặp lại cho đến khi đạt được mục tiêu phức tạp. Bài viết này hướng dẫn bạn xây dựng một Research Agent chuyên sâu bằng framework hàng đầu hiện nay: LangGraph.

1. Tại sao lại là LangGraph mà không phải LangChain truyền thống?

LangChain truyền thống được xây dựng trên mô hình DAG (Directed Acyclic Graph) - chuỗi một chiều không có vòng lặp. Tuy nhiên, trong nghiên cứu thực tế, agent cần có khả năng quay lui (backtracking): nếu thông tin tìm kiếm chưa đủ hoặc mâu thuẫn, agent phải quay lại bước lập kế hoạch để tìm từ khóa khác. LangGraph cho phép tạo các đồ thị trạng thái có chu trình (cyclic graphs), quản lý checkpoint bộ nhớ và hỗ trợ can thiệp của con người (Human-in-the-loop) cực kỳ linh hoạt.

from typing import TypedDict, List
from langgraph.graph import StateGraph, END

class AgentState(TypedDict):
    topic: str
    outline: List[str]
    research_data: List[str]
    report: str
    iteration: int

graph = StateGraph(AgentState)
graph.add_node("planner", plan_outline)
graph.add_node("researcher", search_web_sources)
graph.add_node("evaluator", evaluate_completeness)
graph.add_node("writer", synthesize_final_report)

graph.set_entry_point("planner")
graph.add_edge("planner", "researcher")
graph.add_edge("researcher", "evaluator")
graph.add_conditional_edges(
    "evaluator",
    should_continue_research,
    {"continue": "researcher", "complete": "writer"}
)
graph.add_edge("writer", END)