Wavi Books · AI, LLM & AI Agent

LangGraph là gì? Khi nào dùng LangGraph thay cho LangChain

Nguyễn Minh Trí · Biên tập chuyên môn Wavi Books

Tìm hiểu LangGraph là gì, state graph, node, edge, checkpoint và khi nào nên dùng LangGraph để xây workflow AI Agent có kiểm soát.

## LangGraph là gì

## Hiểu nhanh trước khi chọn mô hình hoặc framework

Tìm hiểu LangGraph là gì, state graph, node, edge, checkpoint và khi nào nên dùng LangGraph để xây workflow AI Agent có kiểm soát. Một hệ thống AI đáng tin phải kiểm soát được dữ liệu nguồn, cách đánh giá và hành vi khi mô hình không chắc chắn.

Một mô hình có thể trả lời rất trôi chảy trong bản demo, rồi bịa đúng phần quan trọng nhất khi gặp dữ liệu thật. Khoảnh khắc ấy nhắc chúng ta rằng sản phẩm AI không chỉ là prompt: phía sau còn có dữ liệu, đánh giá, quyền truy cập, công cụ và cách hệ thống xử lý khi không chắc chắn.

Một AI Agent chỉ gọi công cụ một lần thì khá dễ làm. Điều khó bắt đầu khi agent phải nhớ trạng thái, quay lại bước trước, chờ con người duyệt hoặc phục hồi sau lỗi.

LangGraph là thư viện tổ chức workflow LLM và AI Agent theo đồ thị trạng thái. Mỗi node thực hiện một bước, edge quyết định luồng chuyển tiếp, còn state lưu dữ liệu chung xuyên suốt quá trình.

LangChain cung cấp nhiều thành phần tích hợp, trong khi LangGraph phù hợp hơn khi ứng dụng cần vòng lặp, nhánh điều kiện, checkpoint, human-in-the-loop hoặc khả năng tiếp tục sau lỗi.

## Những khái niệm cốt lõi cần nắm

## Khi workflow không còn là một đường thẳng

LangChain cung cấp nhiều mảnh ghép để làm việc với mô hình và công cụ. LangGraph giúp sắp xếp các mảnh ghép thành một đồ thị có trạng thái, nơi mỗi nút là một bước và mỗi cạnh quyết định hệ thống sẽ đi tiếp theo hướng nào.

## Chuyện gì xảy ra khi đem vào dự án thật?

Hãy nghĩ đến agent xử lý yêu cầu hoàn tiền: nó phải đọc chính sách, kiểm tra đơn hàng, hỏi lại khi thiếu dữ liệu và chờ phê duyệt ở trường hợp đặc biệt. Một chuỗi lệnh tuyến tính sẽ nhanh chóng trở nên khó kiểm soát.

## Nếu bắt đầu hôm nay, tôi sẽ làm thế này

Trước khi viết code, hãy vẽ trạng thái và đường chuyển trên giấy. Nếu bạn chưa giải thích được agent đang ở đâu và vì sao nó đi tiếp, framework cũng không thể tự làm workflow trở nên rõ ràng.

- State mô tả dữ liệu đi qua workflow.

- Node đóng gói model, tool hoặc logic nghiệp vụ.

- Conditional edge điều hướng theo kết quả.

- Checkpoint hỗ trợ lưu và khôi phục tiến trình.

## Lộ trình thực hành từng bước

- Bước 1: Vẽ workflow nghiệp vụ trước khi viết code.

- Bước 2: Xây graph nhỏ với trạng thái rõ kiểu dữ liệu.

- Bước 3: Thêm log, giới hạn vòng lặp và bài kiểm thử cho từng nhánh.

## Những sai lầm thường gặp

- Dùng multi-agent cho bài toán tuyến tính.

- Để state phình to không kiểm soát.

- Không đặt điều kiện dừng cho vòng lặp.

## Góc nhìn dành cho người học và developer Việt Nam

Các nhóm sản phẩm tại Việt Nam nên ưu tiên workflow dễ quan sát, có bước phê duyệt con người và log tiếng Việt rõ ràng trước khi tăng mức tự động hóa.

## Nên học tiếp như thế nào?

## Bài tập vẽ workflow AI Agent

Chọn một quy trình có ba bước như đọc email, phân loại và soạn nháp. Vẽ từng trạng thái, dữ liệu cần giữ, điều kiện chuyển bước và nơi con người phải xác nhận. Thêm một nhánh cho lỗi công cụ và một nhánh cho dữ liệu thiếu. Nếu sơ đồ vẫn rõ khi có lỗi, bạn đã hiểu lý do đồ thị trạng thái hữu ích hơn một chuỗi gọi hàm kéo dài.

## Ví dụ xuyên suốt để nối kiến thức

Một agent nghiên cứu phải lập kế hoạch, tìm nguồn, đọc nội dung, viết bản nháp và quay lại tìm thêm nếu bằng chứng yếu. Nó còn phải dừng khi đạt giới hạn chi phí hoặc chờ người dùng duyệt. Luồng này có vòng lặp, nhánh lỗi và trạng thái — đúng loại bài toán đồ thị xử lý rõ hơn một chain tuyến tính.

## Khung triển khai từ thử nghiệm đến thực tế

Bạn nên dùng đồ thị khi workflow có nhiều nhánh, cần lưu trạng thái lâu, có bước duyệt hoặc phải phục hồi sau gián đoạn. Nếu tác vụ chỉ gọi model rồi gọi một công cụ, một hàm hoặc chain đơn giản thường dễ bảo trì hơn.

### Bốn bước nên đi theo thứ tự

- Định nghĩa state tối thiểu và kiểu dữ liệu cho từng trường.

- Tách mỗi node thành một trách nhiệm có đầu vào, đầu ra rõ.

- Viết điều kiện chuyển cạnh cho thành công, thiếu dữ liệu và lỗi.

- Thêm checkpoint, log và giới hạn số vòng trước khi mở quyền tự chủ.

## Trade-off cần nhìn thẳng

Đồ thị làm luồng nhìn rõ nhưng tăng số trạng thái cần kiểm thử. Lưu quá nhiều dữ liệu gây khó quản lý; lưu quá ít khiến node thiếu bối cảnh. Mỗi vòng lặp cũng làm chi phí và độ trễ tăng.

## Đánh giá bằng kết quả thay vì cảm giác

Theo dõi tỷ lệ hoàn thành, số bước trung bình, số lần cần người duyệt, lỗi theo từng node và chi phí mỗi workflow. Một agent trả lời hay nhưng thường mắc kẹt vẫn là hệ thống chưa tốt.

## Giá trị đối với năng lực nghề nghiệp

Tư duy state machine giúp developer bước khỏi demo prompt để thiết kế phần mềm AI có thể quan sát, kiểm thử và vận hành lâu dài.

## Câu hỏi tự kiểm tra trước khi chuyển chủ đề

Bạn có thể giải thích LangGraph là gì bằng ngôn ngữ của mình, nêu một trường hợp nên dùng, một trường hợp không nên dùng và chỉ ra cách đo kết quả hay chưa? Nếu chưa, hãy quay lại ví dụ nhỏ trong bài, thay đổi một ràng buộc rồi quan sát điều gì buộc giải pháp phải thay đổi. Đây là cách biến kiến thức đọc được thành khả năng ra quyết định.

## Góc nhìn dành cho developer Việt Nam

Với developer và AI engineer tại Việt Nam, nên học chủ đề này bằng một bài toán nhỏ có dữ liệu thật và tiêu chí đánh giá rõ. Cách làm đó giúp bạn phân biệt một demo gây ấn tượng với một ứng dụng AI có thể kiểm tra, vận hành và giải thích cho người dùng.

## Đọc tiếp trên Wavi Books

Nếu bạn muốn học chủ đề này theo một lộ trình có cấu trúc, có thể xem Learning LangChain bản tiếng Việt tại [Wavi Books](/sach/learning-langchain-mayo-oshin-2026). Sách liên quan được đặt sau phần kiến thức để bạn có thể đánh giá nội dung trước khi chọn mua.