Полезные материалы

Обновлено 23 июня 2026

В этом разделе вы найдете ссылки на внутренние курсы по разработке агентов с помощью фреймворков LangChain и LangGraph, а также репозитории агентов, которые демонстрируют функции GigaLab, и примеры графов TS-агентов.

Код других агентов, опубликованных в сервисе, вы можете посмотреть в репозитории giga-labs/agents .

Курсы

В Пульсе представлены курсы по разработке LLM-приложений и агентов с помощью фреймворков LangChain и LangGraph:

• LangChain — курс рассказывает об архитектуре LangChain, промптах, сообщениях, цепочках, памяти, языке LCEL;
• LangGraph — курс рассказывает об архитектуре фреймворка, связке с LangChain, инструментах для реализации памяти и сложной логики, создании агентов и RAG на графах.

Формат курсов — текстовый практикум. Каждая тема закрепляется заданиями в Jupyter Notebook; запускать можно локально или в Google Colab, в удобном вам темпе.

Репозитории с примерами агентов

Агент	Описание	Репозиторий
sample	Образец Python-агента с инструментами, памятью и подсказками	sample
sample-ts	Образец TypeScript-агента с инструментами, памятью и подсказками	sample-ts
ai-disrupt	Простой агент-валидатор с функцией структурного вывода	ai-disrupt

Примеры графов TypeScript-агентов

Ниже — примеры паттернов графов агентов sample-ts и ai-disrupt.

Полный агент с инструментами и подсказками

Паттерн из sample-ts : агент с инструментами, циклом вызовов и генерацией подсказок.

__start__ → agent → [tool_calls?] → tools → agent (цикл)
                  → [нет tool_calls] → suggests → END

import { StateGraph, MessagesAnnotation, END } from "@langchain/langgraph";
import { ToolNode } from "@langchain/langgraph/prebuilt";

const workflow = new StateGraph(MessagesAnnotation)
  .addNode("agent", agentNode)
  .addNode("tools", new ToolNode(TOOLS))
  .addNode("suggests", suggestNode)
  .addEdge("__start__", "agent")
  .addConditionalEdges("agent", routeNext, {
    tools: "tools",
    suggests: "suggests",
  })
  .addEdge("tools", "agent")
  .addEdge("suggests", END);

export const graph = workflow.compile();

Маршрутизация

function routeNext(
  state: typeof MessagesAnnotation.State,
): "tools" | "suggests" {
  const last = state.messages[state.messages.length - 1] as any;
  const hasToolCalls =
    (last?.tool_calls && last.tool_calls.length > 0) ||
    (last?.additional_kwargs?.function_call);
  return hasToolCalls ? "tools" : "suggests";
}

Узел агента

Всегда передавайте config вторым аргументом в invoke() — это обеспечивает корректную работу потоковой передачи токенов и отслеживания (tracing):

async function agentNode(
  state: typeof MessagesAnnotation.State,
  config: LangGraphRunnableConfig,
) {
  const systemPrompt = buildSystemPrompt();
  const messages = [new SystemMessage(systemPrompt), ...state.messages];

  await ensureFreshToken(llm, TOKEN_MANAGER_OPTS);
  const llmWithTools = llm.bind({
    tools: GIGACHAT_FUNCTIONS,
    tool_choice: "auto",
  } as any);
  const response = await llmWithTools.invoke(messages, config);
  return { messages: [response] };
}

Простой валидатор

Паттерн из ai-disrupt : один узел, без инструментов, structured output.

__start__ → validator → END

const workflow = new StateGraph(MessagesAnnotation)
  .addNode("validator", validatorNode)
  .addEdge("__start__", "validator")
  .addEdge("validator", END);

export const graph = workflow.compile();

Узел валидатора с parsed JSON

Для валидатора отключайте потоковую передачу токенов streaming: false. В противном случае при обработке JSON-ответов парсер SSE может сломаться на экранированных кавычках:

async function validatorNode(
  state: typeof MessagesAnnotation.State,
  config: LangGraphRunnableConfig,
) {
  const systemPrompt = getSystemPrompt() + STRUCTURED_OUTPUT_INSTRUCTION;
  const messagesWithSystem = [new SystemMessage(systemPrompt), ...state.messages];

  await ensureFreshToken(gigaChat, TOKEN_MANAGER_OPTS);
  const response = await gigaChat.invoke(messagesWithSystem, config);

  const responseText = typeof response.content === "string"
    ? response.content
    : JSON.stringify(response.content);
  const structuredOutput = parseStructuredOutput(responseText);

  return {
    messages: [
      new AIMessage({
        content: structuredOutput.summary,
        additional_kwargs: { structuredOutput },
      }),
    ],
  };
}

Типы и state

Используйте MessagesAnnotation для состояний графа:

import { MessagesAnnotation } from "@langchain/langgraph";

// Тип state в узлах:
state: typeof MessagesAnnotation.State
// Эквивалентно: { messages: BaseMessage[] }

Состояние автоматически аккумулирует сообщения с помощью add_messages.

Обработка ошибок

Если узел выбросит исключение, LangGraph запишет ошибку в checkpoint и вернет ее клиенту через SSE.

async function agentNode(state, config) {
  try {
    await ensureFreshToken(llm, TOKEN_MANAGER_OPTS);
    const response = await llmWithTools.invoke(messages, config);
    return { messages: [response] };
  } catch (e: any) {
    const errMsg = e?.message || String(e);
    console.error(`[agent] LLM invoke failed: ${errMsg}`);
    throw new Error(`LLM invoke failed: ${errMsg}`);
  }
}