Tài liệu chính thức của LangChain mô tả LangGraph là framework điều phối và runtime cho agent dài hơi, có trạng thái. Bản tài liệu này cập nhật ngày 12/11/2026. LangGraph tập trung vào các khả năng điều phối như thực thi bền bỉ, streaming và con người trong vòng lặp. Nó không quy định prompt hay kiến trúc agent. Nó cũng không bắt buộc dùng LangChain. Tài liệu ghi rõ các ví dụ thường dùng LangChain cho model và tool. Dù vậy, LangGraph vẫn chạy độc lập được.
Điểm khác biệt lớn nhất nằm ở cách tổ chức. LangGraph cho phép trộn bước xác định viết bằng code tay với bước do mô hình điều khiển trong cùng một đồ thị. Khi cần kiểm soát rõ ràng trạng thái và luồng điều khiển thì dùng LangGraph. Khi chỉ cần một vòng lặp agent có sẵn thì tài liệu gợi ý dùng Deep Agents hoặc agent của LangChain.
Thành phần 1: State lưu toàn bộ trạng thái chung
State là dữ liệu chung mà mọi node cùng đọc và cập nhật. Tài liệu Graph API mô tả State là ảnh chụp chung của ứng dụng, thường khai báo bằng một schema có kiểu. Mỗi khóa trong schema là một channel. Đó là một khe có tên, giữ một giá trị. Channel quy định cách các bản cập nhật gộp lại với nhau.
Đừng trả tiền thừa cho SaaS AI — Nhận lộ trình công cụ & chi phí tối ưu trong 10 giây
Mô tả bài toán của doanh nghiệp bạn (CSKH Zalo OA, Coding, RAG tài liệu nội bộ, Báo cáo P&L). Hệ thống cố vấn của 3A sẽ đề xuất bộ công cụ đã qua kiểm thử thực chiến.
Mặc định, channel dùng quy tắc ghi sau thắng ghi trước. Channel có reducer sẽ gộp giá trị thay vì ghi đè, ví dụ cộng thêm vào danh sách. Với lịch sử trò chuyện, tài liệu khuyên dùng reducer add_messages trên khóa messages. Nó nối tin mới vào danh sách. Nó cũng cập nhật được tin cũ theo ID khi người dùng sửa. Phép cộng danh sách thuần không làm được việc này.
Khai báo State dùng TypedDict, dataclass khi cần giá trị mặc định, hoặc Pydantic BaseModel khi cần kiểm tra dữ liệu. Tài liệu khuyên dùng TypedDict hoặc dataclass vì hiệu năng. Với agent trò chuyện, có sẵn MessagesState. Đó là một state dựng sẵn, chỉ gồm khóa messages dùng add_messages. Bạn có thể kế thừa nó để thêm trường riêng.
Thành phần 2: Node làm việc trong đồ thị
Node là một hàm đồng bộ hoặc bất đồng bộ thực hiện một bước của đồ thị. Hàm này nhận state và config chứa thread_id và tags. Nó cũng nhận đối tượng runtime mang ngữ cảnh chạy, store và stream_writer. Node trả về bản cập nhật từng phần của state, LangGraph áp dụng bản cập nhật đó qua reducer của từng channel.
Phía sau, LangGraph bọc hàm thành RunnableLambda để có batching, hỗ trợ bất đồng bộ và tracing. Nếu không đặt tên node, LangGraph lấy tên hàm làm tên node. Node cũng là ranh giới checkpoint và retry. Khi chạy lại sau lỗi hay tạm dừng, node chạy lại từ đầu hàm của nó. Vì vậy, logic trong node nên viết sao cho chạy lại an toàn. Hãy ưu tiên khóa idempotency, upsert hoặc kiểm tra trước khi ghi.
Đồ thị có hai node ảo. Node START đưa dữ liệu người dùng vào đồ thị và đánh dấu node chạy đầu tiên. Node END đánh dấu cạnh kết thúc, dùng khi một nhánh cần dừng lại.

Chú thích ảnh: Laptop hiển thị mã lập trình, minh họa việc xây ứng dụng AI bằng LangChain. Ảnh: Christina Morillo, Pexels, giấy phép Pexels (link gốc xem mục Nguồn, phần Ảnh).
Thành phần 3: Edge quyết định hướng đi tiếp theo
Edge quyết định sau khi một node chạy xong thì điều khiển đi đâu. Tài liệu chia edge thành ba dạng. Cạnh thường luôn đi từ node A sang node B. Cạnh có điều kiện gọi một hàm định tuyến để chọn node tiếp theo. Điểm vào là cạnh từ START tới node đầu tiên. Nó cũng có thể là điểm vào có điều kiện. Khi đó, đồ thị bắt đầu ở node khác nhau tùy logic.
Hàm định tuyến nhận state hiện tại rồi trả về tên node tiếp theo. Nó cũng có thể trả về danh sách tên để chạy song song ở super-step sau. Một node có thể có nhiều cạnh ra, và các node đích sẽ chạy song song. Đây là chỗ agent ra quyết định. Hàm định tuyến thường chính là quyết định của mô hình. Ví dụ, mô hình chọn gọi tool tiếp hay trả lời người dùng.
Hai cơ chế mở rộng nằm ngoài edge thường. Send chạy cùng một node một lần cho mỗi phần tử. Số phần tử chỉ biết lúc chạy. Dạng này gồm map-reduce hay orchestrator-worker. Command dùng khi một bước vừa cập nhật state, vừa chọn hướng đi tiếp theo. Nó cũng dùng khi cần resume sau interrupt và cập nhật từ trong tool.
Thành phần 4: Checkpointer giữ trạng thái qua lỗi và tạm dừng
Checkpointer là thành phần làm cho agent có trạng thái thật sự bền. Khi gắn checkpointer lúc compile, LangGraph lưu checkpoint tại ranh giới super-step, không lưu giữa chừng trong một node. Một super-step là một lượt chạy qua các node cùng tầng. Node chạy song song chia chung một super-step. Node chạy nối tiếp dùng super-step riêng. Lượt chạy kết thúc khi mọi node hết hoạt động và không còn message đang truyền.
Nhờ checkpoint, agent resume được sau lỗi hoặc tạm dừng mà không chạy lại từ đầu. Tính năng con người trong vòng lặp dựa trên chính cơ chế này. Bạn có thể tạm dừng thực thi, kiểm tra hoặc sửa state, rồi tiếp tục. Tài liệu còn ghi khả năng time travel và bộ nhớ hai tầng. Tầng ngắn hạn là state theo thread. Tầng dài hạn là bộ nhớ xuyên phiên.
Để dùng được checkpointer, đồ thị phải compile trước khi invoke hay stream. Bước compile kiểm tra cấu trúc đồ thị, ví dụ phát hiện node mồ côi, và là nơi gắn checkpointer cùng breakpoint. Không compile thì đồ thị chưa chạy được.
Ví dụ mã: đồ thị một node gọi mô hình
Ví dụ dưới đây dựng đồ thị một node gọi mô hình rồi biên dịch kèm checkpointer.
from langgraph.checkpoint.memory import InMemorySaver
from langgraph.graph import START, MessagesState, StateGraph
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-4o-mini")
def goi_mo_hinh(state: MessagesState):
tra_loi = model.invoke(state["messages"])
return {"messages": [tra_loi]}
do_thi = StateGraph(MessagesState)
do_thi.add_node("goi_mo_hinh", goi_mo_hinh)
do_thi.add_edge(START, "goi_mo_hinh")
ung_dung = do_thi.compile(checkpointer=InMemorySaver())Muốn dùng Claude thì thay model bằng ChatAnthropic của LangChain.
Giới hạn và rủi ro khi vận hành đồ thị LangGraph
Tài liệu Graph API ghi rõ checkpoint chỉ lưu tại ranh giới super-step. Trên luồng hội thoại dài, dung lượng lưu trữ checkpoint tăng theo từng super-step. Bạn nên tính trước dung lượng lưu trữ khi chạy luồng dài.
Node chạy lại từ đầu hàm khi retry sau lỗi hay tạm dừng. Nếu node ghi dữ liệu ra ngoài mà thiếu khóa idempotency, lần chạy lại có thể ghi trùng. Bạn nên viết logic node sao cho chạy lại an toàn.
Cuối cùng, LangGraph thêm một lớp điều phối phức tạp. Nếu bài toán chỉ cần vòng lặp gọi tool đơn giản, lớp này tốn công hơn lợi. Khi đó, bạn nên dùng vòng lặp agent có sẵn thay vì tự vẽ đồ thị.
Bảng đối chiếu: 3 lớp trong hệ LangChain
| Lớp | Vai trò | Khi nào dùng |
|---|---|---|
| LangGraph | Runtime điều phối: đồ thị state, node, edge, checkpoint | Cần kiểm soát rõ ràng state và luồng điều khiển |
| LangChain | Framework agent: trừu tượng model, tool và vòng lặp agent | Cần vòng lặp agent có sẵn với tích hợp model và tool |
| Deep Agents | Harness agent: lập kế hoạch, subagent, tool hệ tệp, quản lý ngữ cảnh trên nền LangGraph | Cần vòng lặp agent cấp cao trước, chưa cần tự vẽ đồ thị |
Bảng này chỉ đối chiếu theo vai trò ghi trong tài liệu chính thức, không có số đo hiệu năng tự chạy.
Đọc thêm trên 3a.com.vn: LangChain là gì và 4 thành phần cốt lõi. AI agent là gì và cách agent suy luận theo vòng lặp. Cách nhận ra lỗi trích dẫn sai nguồn trong RAG tài liệu nội bộ.
Nguồn
Nguồn
- LangChain, "LangGraph overview", cập nhật ngày 2026-11-12. Link: https://docs.langchain.com/langgraph
- LangChain, "Graph API overview", ngày truy cập 2026-11-14. Link: https://docs.langchain.com/oss/python/langgraph/graph-api
Ảnh
- Bìa: Luis Gomes, Pexels, giấy phép Pexels, ngày 2017-08-04. Link gốc: https://www.pexels.com/photo/546819/
- Ảnh thân bài: Christina Morillo, Pexels, giấy phép Pexels, ngày 2018-06-22. Link gốc: https://www.pexels.com/photo/1181271/



