[Zoom 31-05-2025] Lập trình các ứng dụng khác nhau với LangGraph
Giới thiệu LangGraph
Trạng thái và Bộ nhớ
Bộ nhớ ngắn hạn và dài hạn
Xây dựng agent với bộ nhớ dài hạn
Tính năng nâng cao
Song song hóa và Sub-graphs
1. Nội dung
1.1. Slide
1.2. Cài đặt LangGraph Studio
1.3. LangGraph cơ bản
1.4. Memory
Bài viết giải thích các loại Memory:
Short-term Memory
Short-term vs Long-term Memory
1.5. LangChain Local RAG
2. Ứng dụng Deep Research sử dụng Gemini
2.1. Xây dựng ứng dụng Deep Research với LangGraph
Kiến trúc
Tạo truy vấn ban đầu (Generate Initial Queries):
Khi nhận được yêu cầu từ người dùng, agent sử dụng mô hình Gemini để hiểu yêu cầu đó và sinh ra một loạt search queries ban đầu phù hợp. Việc tạo truy vấn động này giúp tìm kiếm linh hoạt hơn, tùy theo ngữ cảnh đầu vào.Nghiên cứu web (Web Research):
Với mỗi truy vấn được tạo, agent sử dụng Google Search API cùng với mô hình Gemini để tìm kiếm các trang web liên quan. Gemini không chỉ hỗ trợ tạo truy vấn mà còn có thể xử lý và xếp hạng kết quả tìm kiếm ban đầu.Phân tích phản biện & xác định lỗ hổng tri thức (Reflection & Knowledge Gap Analysis):
Đây là giai đoạn then chốt giúp agent vượt khỏi việc chỉ tổng hợp kết quả. Sau khi thu thập thông tin ban đầu, agent dùng Gemini để phản biện các kết quả tìm kiếm, đánh giá độ đầy đủ, tính liên quan và phát hiện các "knowledge gaps" – phần thiếu sót chưa đủ để trả lời đầy đủ cho yêu cầu người dùng.Tinh chỉnh lặp lại (Iterative Refinement):
Nếu phát hiện thiếu sót, agent tiếp tục vòng lặp cải tiến: tạo follow-up queries để lấp đầy lỗ hổng tri thức, sau đó lặp lại bước tìm kiếm và phản biện. Vòng lặp này tiếp diễn (tối đa theo cấu hình cho phép) cho đến khi agent xác định rằng thông tin đã đủ.Tổng hợp câu trả lời cuối cùng (Finalize Answer):
Khi đã hoàn tất việc nghiên cứu, agent sử dụng mô hình Gemini để tổng hợp một câu trả lời rõ ràng, có cấu trúc chặt chẽ, bao gồm citations dẫn nguồn từ các trang web đã tham khảo. Điều này giúp tăng tính minh bạch và cho phép người dùng kiểm chứng thông tin.