LangGraphの使い方完全ガイド｜マルチエージェント実装入門【2026】

結論: LangGraph（最新版 1.1.10）は、AIエージェントを「状態機械（State Machine）」として設計するOSSフレームワークです。OpenAI Agents SDKやClaude Agent SDKがシンプルなループ型エージェントに強いのに対し、LangGraphは「承認フロー・ループ・条件分岐・長時間実行」が必要な複雑なマルチエージェントシステムに圧倒的な優位性を持ちます。

この記事の要点:

• LangGraph 1.1.10（2026年4月27日リリース）のStateGraph + Conditional Edges + Checkpointer完全実装
• Human-in-the-loop：interrupt() 関数で人間の承認を挟む実装パターンを本番レベルで解説
• LangGraph vs OpenAI Agents SDK vs Claude Agent SDK vs LlamaIndex Agents の4軸使い分け比較表

対象読者: Python開発者・AIエンジニア・技術選定中のDX推進担当
読了後にできること: 今日中にStateGraphで最初のマルチエージェントワークフローを実装し、LangGraph Studioでビジュアルデバッグできる

「AIエージェントを作ったけど、承認フローを挟もうとしたら全部作り直しになった…」

先日、ある顧問先（従業員500名のSaaS企業）のバックエンドエンジニアからこんな相談を受けました。OpenAI Agents SDKで受発注業務の自動化エージェントを作ったのですが、「金額が10万円を超えたら人間の確認を入れたい」という追加要件が出た時に、既存の実装ではどうにもならなかったというんです。

この経験から気づいたのは、「エージェントの設計思想を最初から選ぶ必要がある」ということです。シンプルなタスク自動化なら軽量SDKで十分ですが、条件分岐・承認フロー・状態の永続化・エラー時の再開が必要な本番ワークフローには、LangGraphのような状態機械型フレームワークが不可欠です。

この記事では、LangGraph 1.1.10の最新機能をコード付きで全解説します。「なぜ状態機械なのか」という設計思想から、本番で使えるCheckpointer・Human-in-the-loop・Streaming実装まで、順を追って解説していきますので、ぜひ技術選定の判断材料にしてください。

まず5分で動かす：LangGraphで最初のStateGraphを作る

AIエージェントの全体像については、AIエージェント導入完全ガイドで体系的にまとめています。まずはLangGraphの具体的なコードから入りましょう。

インストールとセットアップ

# LangGraph 1.1.10（2026年4月27日最新版）
pip install langgraph==1.1.10
pip install langgraph-checkpoint-sqlite    # 開発・テスト用
pip install langgraph-checkpoint-postgres  # 本番用
pip install langchain-anthropic            # Claude使用時
pip install langchain-openai               # OpenAI使用時

# LangGraph Studio（ローカルサーバー起動）
pip install langgraph-cli
langgraph dev  # http://localhost:2024 でStudioが開く

最小構成のStateGraph（5分で動く版）

from typing import TypedDict, Annotated
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langchain_anthropic import ChatAnthropic

# 1. 状態スキーマの定義（これがLangGraphの核心）
class AgentState(TypedDict):
    messages: Annotated[list, add_messages]  # add_messages = 追記型reducer
    next_action: str
    approved: bool

# 2. ノード（処理ユニット）の定義
llm = ChatAnthropic(model="claude-sonnet-4-5")

def analyze_node(state: AgentState) -> dict:
    """ユーザーの入力を分析するノード"""
    response = llm.invoke(state["messages"])
    return {
        "messages": [response],
        "next_action": "approve" if "重要" in response.content else "execute"
    }

def execute_node(state: AgentState) -> dict:
    """タスクを実行するノード"""
    return {"messages": [{"role": "assistant", "content": "実行完了しました。"}]}

def approve_node(state: AgentState) -> dict:
    """承認待ちノード（Human-in-the-loop）"""
    from langgraph.types import interrupt
    result = interrupt({
        "message": "重要なタスクです。承認しますか？",
        "task": state["messages"][-1].content
    })
    return {"approved": result.get("approved", False)}

# 3. グラフの構築
def should_approve(state: AgentState) -> str:
    """条件分岐エッジ: next_actionに基づいてルーティング"""
    return state["next_action"]  # "approve" or "execute"

builder = StateGraph(AgentState)
builder.add_node("analyze", analyze_node)
builder.add_node("approve", approve_node)
builder.add_node("execute", execute_node)

builder.add_edge(START, "analyze")
builder.add_conditional_edges("analyze", should_approve, {
    "approve": "approve",
    "execute": "execute"
})
builder.add_edge("approve", "execute")
builder.add_edge("execute", END)

# 4. チェックポイント付きでコンパイル（状態を永続化）
from langgraph.checkpoint.memory import MemorySaver
checkpointer = MemorySaver()
graph = builder.compile(checkpointer=checkpointer)

# 5. 実行（thread_id = セッション識別子）
config = {"configurable": {"thread_id": "session-001"}}
result = graph.invoke(
    {"messages": [{"role": "user", "content": "重要な発注書を処理してください"}]},
    config=config
)
print(result)

研修先での実例: 上記の最小構成を顧問先SaaS企業のバックエンドエンジニアに見せたところ、「これが最初から分かっていればOpenAI SDKで作り直す必要がなかった」と言っていました。状態スキーマを先に設計することで、後から条件分岐や承認フローを追加しやすくなる点が一番刺さっていました。

StateGraph の設計思想：なぜ「状態機械」なのか

LangGraphが他のエージェントフレームワークと根本的に異なるのは、「ループ型エージェント」ではなく「状態機械型グラフ」という設計思想です。

普通のエージェントループとの違い

# ❌ 普通のループ型エージェント（状態が揮発する）
def simple_agent_loop(task: str) -> str:
    history = []  # セッションメモリ（再起動で消える）
    while True:
        response = llm.invoke(history + [task])
        if "完了" in response:
            return response
        history.append(response)
        # 問題:
        # - 再起動したら最初からやり直し
        # - 条件分岐を入れると複雑化する一方
        # - 承認フローが入れられない

# ✅ LangGraph の状態機械型（状態が永続化される）
class WorkflowState(TypedDict):
    task: str
    step: str       # 現在のステップ
    approved: bool  # 承認済みか
    result: str     # 最終結果

# 各ステップが「状態変換関数」として定義される
# → チェックポイントで保存 → 中断・再開が自在
# → Conditional Edge で複雑な分岐も明示的に管理
# → LangGraph Studio でグラフ構造を視覚化できる

State のスキーマ設計（実践パターン）

from typing import TypedDict, Annotated, Optional
from langgraph.graph.message import add_messages
import operator

class EnterpriseWorkflowState(TypedDict):
    # メッセージ履歴（add_messages = appendリデューサー）
    messages: Annotated[list, add_messages]

    # カウンターなど累積値（operator.add = 加算リデューサー）
    retry_count: Annotated[int, operator.add]

    # 通常のフィールド（上書き型）
    status: str           # "pending" | "approved" | "rejected" | "done"
    assigned_to: str      # 担当者
    amount: float         # 金額
    priority: str         # "high" | "medium" | "low"

    # Optionalフィールド（存在しない場合はNone）
    approval_comment: Optional[str]
    execution_result: Optional[dict]

# 1.1.10 新機能: UntrackedValue（チェックポイントに保存しない一時データ）
from langgraph.store import UntrackedValue
class OptimizedState(TypedDict):
    messages: Annotated[list, add_messages]
    # db_connectionはチェックポイントに含めない（シリアライズ不可のオブジェクト）
    db_connection: Annotated[object, UntrackedValue]

重要なポイント: TypedDictでスキーマを明示的に定義することで、LangGraph Studioがグラフの状態を視覚化してくれます。これが後述のデバッグをとても楽にします。

Conditional Edges の設計パターン3選

from langgraph.graph import StateGraph, END

# パターン1: 文字列で直接ルーティング（最もシンプル）
def route_by_status(state: WorkflowState) -> str:
    if state["status"] == "approved":
        return "execute"
    elif state["status"] == "rejected":
        return "notify_rejection"
    else:
        return "request_approval"

builder.add_conditional_edges("check_status", route_by_status)

# パターン2: 辞書マッピングで明示的に定義（可読性が高い）
def route_by_amount(state: WorkflowState) -> str:
    amount = state.get("amount", 0)
    if amount > 1_000_000:    return "executive_approval"
    elif amount > 100_000:    return "manager_approval"
    else:                     return "auto_execute"

builder.add_conditional_edges(
    "check_amount",
    route_by_amount,
    {
        "executive_approval": "executive_approval_node",
        "manager_approval":   "manager_approval_node",
        "auto_execute":       "execute_node"
    }
)

# パターン3: Send APIで動的な並列処理（1.1.10対応）
from langgraph.types import Send

def fan_out_to_reviewers(state: WorkflowState):
    """複数のレビュアーに並列でタスクを割り当てる"""
    reviewers = ["alice", "bob", "charlie"]
    return [
        Send("review_node", {**state, "reviewer": r})
        for r in reviewers
    ]

builder.add_conditional_edges("assign_reviewers", fan_out_to_reviewers)

Checkpointer完全ガイド：状態を永続化して「止めて・再開できる」エージェントを作る

LangGraphで本番運用する上で最も重要な機能がCheckpointerです。LangGraphのCheckpointerは、グラフの各ステップの状態をスナップショットとして保存し、いつでも中断・再開できるようにします。

Checkpointer 3種類の使い分け

## MemorySaver（テスト・プロトタイプ用）
from langgraph.checkpoint.memory import MemorySaver

checkpointer = MemorySaver()
graph = builder.compile(checkpointer=checkpointer)

## SqliteSaver（開発環境・シングルサーバー用）
from langgraph.checkpoint.sqlite import SqliteSaver

with SqliteSaver.from_conn_string("./checkpoints.db") as checkpointer:
    graph = builder.compile(checkpointer=checkpointer)
    result = graph.invoke(input_data, config={"configurable": {"thread_id": "t1"}})

## AsyncSqliteSaver（開発環境・非同期版）
from langgraph.checkpoint.sqlite.aio import AsyncSqliteSaver

async def run_async():
    async with AsyncSqliteSaver.from_conn_string("./checkpoints.db") as checkpointer:
        graph = builder.compile(checkpointer=checkpointer)
        result = await graph.ainvoke(input_data, config=config)

## PostgresSaver（本番環境）
from langgraph.checkpoint.postgres import PostgresSaver
from langgraph.checkpoint.postgres.aio import AsyncPostgresSaver

DB_URI = "postgresql://user:password@localhost:5432/langgraph_db"

# 同期版
with PostgresSaver.from_conn_string(DB_URI) as checkpointer:
    checkpointer.setup()  # 初回のみテーブル作成
    graph = builder.compile(checkpointer=checkpointer)

# 非同期版（FastAPIと組み合わせる場合）
async def lifespan(app):
    async with AsyncPostgresSaver.from_conn_string(DB_URI) as checkpointer:
        await checkpointer.setup()
        app.state.graph = builder.compile(checkpointer=checkpointer)
        yield

Thread IDとConfig：セッション管理の設計

import uuid

# Thread IDはユーザーセッションの識別子
def create_session(user_id: str) -> str:
    thread_id = f"{user_id}-{uuid.uuid4().hex[:8]}"
    return thread_id

# 同じthread_idで呼ぶと、前の状態から継続できる
config = {
    "configurable": {
        "thread_id": "user-123-abc12345",
        "checkpoint_ns": "production",  # 環境を分けたい場合
    },
    "recursion_limit": 50,  # 無限ループ防止
}

# 前の状態を確認
state_snapshot = graph.get_state(config)
print(f"現在のノード: {state_snapshot.next}")
print(f"ステップ数: {state_snapshot.metadata['step']}")

# 過去の状態にロールバック（デバッグ・リカバリー用）
history = list(graph.get_state_history(config))
past_config = history[2].config  # 3ステップ前の状態
graph.invoke(None, past_config)  # そこから再実行

本番設計のコツ: Thread IDを「ユーザーID + タスクID」の組み合わせにすると、セッション管理が格段に楽になります。顧問先のSaaS企業では、PostgresSaverを使って1万セッション同時実行のシステムを構築しました。SQLiteとの違いは「接続プールが使えるかどうか」で、高トラフィック環境では必ずPostgresを使ってください。

Human-in-the-loop実装：interrupt() で人間の判断を組み込む

LangGraphの最も強力な機能の一つが、interrupt()を使ったHuman-in-the-loopパターンです。エージェントの実行を途中で止め、人間の確認・修正・承認を受けてから再開できます。

interrupt()の基本パターン

from langgraph.types import interrupt, Command

def approval_node(state: WorkflowState) -> dict:
    """
    interrupt()を呼ぶとグラフがここで一時停止する。
    ユーザーがCommand(resume=...)で再開するまで待機。
    """
    # 承認リクエストの内容をinterruptのペイロードに入れる
    decision = interrupt({
        "type": "approval_request",
        "message": f"¥{state['amount']:,}の発注書を承認しますか？",
        "details": {
            "vendor": state.get("vendor"),
            "items": state.get("items"),
            "amount": state["amount"],
        }
    })

    # resumeで返ってきた値がdecisionに入る
    if decision.get("approved"):
        return {
            "status": "approved",
            "approval_comment": decision.get("comment", "")
        }
    else:
        return {
            "status": "rejected",
            "approval_comment": decision.get("reason", "却下されました")
        }

# グラフを実行 → interrupt地点で停止
config = {"configurable": {"thread_id": "order-001"}}
result = graph.invoke(
    {"messages": [{"role": "user", "content": "150万円の発注書を処理して"}]},
    config=config
)

# result["__interrupt__"]がTrue → ユーザーの入力待ち
if "__interrupt__" in str(result):
    print("承認待ち。ユーザーの判断を待っています...")

    # ユーザーが承認 → Command(resume=...)で再開
    final_result = graph.invoke(
        Command(resume={"approved": True, "comment": "予算内なので承認します"}),
        config=config
    )
    print("承認済みで処理再開:", final_result)

複数ステップのHuman-in-the-loop（実践パターン）

def multi_step_approval_workflow():
    """
    実務では「確認 → 修正提案 → 最終承認」の3段階が多い
    """

    def draft_node(state: WorkflowState):
        """AIがドラフトを作成"""
        draft = llm.invoke([
            {"role": "user", "content": f"次のタスクのドラフトを作成: {state['task']}"}
        ])
        return {"messages": [draft], "status": "draft_ready"}

    def review_node(state: WorkflowState):
        """ユーザーにドラフトのレビューを依頼"""
        feedback = interrupt({
            "type": "review_request",
            "draft": state["messages"][-1].content,
            "options": ["approve", "revise", "reject"]
        })

        if feedback["action"] == "approve":
            return {"status": "approved"}
        elif feedback["action"] == "revise":
            return {
                "status": "needs_revision",
                "messages": [{"role": "user", "content": f"修正指示: {feedback['notes']}"}]
            }
        else:
            return {"status": "rejected"}

    def route_after_review(state: WorkflowState) -> str:
        if state["status"] == "approved": return "finalize"
        elif state["status"] == "needs_revision": return "draft"  # 戻る
        else: return END

    builder = StateGraph(WorkflowState)
    builder.add_node("draft", draft_node)
    builder.add_node("review", review_node)
    builder.add_node("finalize", finalize_node)

    builder.add_edge(START, "draft")
    builder.add_edge("draft", "review")
    builder.add_conditional_edges("review", route_after_review)
    builder.add_edge("finalize", END)

    return builder.compile(checkpointer=PostgresSaver.from_conn_string(DB_URI))

正直な限界の話: interrupt()パターンは強力ですが、注意点もあります。WebアプリでHTTP リクエスト経由でエージェントを呼ぶ場合、interrupt地点でレスポンスを返してセッションを維持する設計が必要です。FastAPI + Server-Sent Events（SSE）との組み合わせが最もよく使われるパターンですが、実装はやや複雑です。後述のLangGraph Studioを使えばローカル開発では手動で承認操作ができるので、まずStudioで動作確認してから本番APIを実装する順番が賢いです。

LangGraph Studio v2：ビジュアルデバッグでマルチエージェントを制御する

LangGraph Studio v2は、グラフの実行をリアルタイムで可視化し、状態の編集・フォーク・巻き戻しができるデバッグGUIです。2026年時点では、デスクトップアプリより「ローカルサーバー + Webブラウザ」の方式が推奨されています。

Studio の起動方法（2026年最新・Docker不要）

# プロジェクト構造（最小構成）
# my_agent/
# ├── langgraph.json   ← グラフ定義ファイル
# ├── agent.py         ← StateGraph実装
# └── requirements.txt

# langgraph.json の例
# {
#   "dependencies": ["."],
#   "graphs": {
#     "approval_workflow": "./agent.py:graph"
#   }
# }

# Studioのローカルサーバー起動（Docker不要）
pip install langgraph-cli
langgraph dev

# → http://localhost:2024 でStudioが開く
# → コードを変更するとホットリロードで自動更新
# → Dockerより起動が約10倍速い

# デプロイ先URLでも使える（本番トレースのデバッグ）
# LangSmith Studio: https://smith.langchain.com/studio

Studioのデバッグ機能（実践）

## LangGraph Studio でできること（2026年版）

# 1. グラフのビジュアル表示
#    → ノード/エッジの構造をリアルタイムで確認
#    → 現在実行中のノードがハイライトされる

# 2. 状態のインタラクティブ編集
#    → 実行中の状態値を直接編集してフォーク
#    → "Fork"ボタン → 別のシナリオで再実行

# 3. Human-in-the-loop の操作
#    → interrupt() 地点でGUIが承認ダイアログを表示
#    → ボタンクリックで承認/却下/修正

# 4. 本番トレースのローカル再現（v2新機能）
#    → LangSmithの本番トレースをダウンロード
#    → ローカルStudioで再実行してバグを再現・修正

# 5. プロンプトの直接編集
#    → Studioの画面からシステムプロンプトを変更
#    → コードを変更せずにプロンプトチューニング

研修先での活用例: あるSaaS企業の開発チームにLangGraph Studioを見せた時、「グラフが可視化されることで、コードを読まなくてもワークフローを理解できる」という反応が一番多かったです。特に非エンジニアの業務担当者と一緒に設計する際に、Studioのグラフ図を見ながらフローを議論できるのは大きなメリットです。

Streaming実装：リアルタイムでユーザーに進捗を返す

本番のUIで「エージェントが何をしているか」をリアルタイムで表示するには、Streamingが不可欠です。LangGraph 1.1.10では複数のStreamモードが用意されています。

StreamモードとFastAPI連携（本番パターン）

from fastapi import FastAPI
from fastapi.responses import StreamingResponse
import asyncio
import json

app = FastAPI()

@app.post("/run-agent")
async def run_agent_stream(task: str):
    """
    Server-Sent Events (SSE) でリアルタイムストリーミング
    """
    config = {"configurable": {"thread_id": f"task-{uuid.uuid4().hex[:8]}"}}

    async def event_generator():
        async for event in graph.astream_events(
            {"messages": [{"role": "user", "content": task}]},
            config=config,
            version="v2"  # v2推奨（型安全なstream）
        ):
            event_type = event["event"]

            # LLMのトークンをリアルタイムで流す
            if event_type == "on_chat_model_stream":
                token = event["data"]["chunk"].content
                if token:
                    yield f"data: {json.dumps({'type': 'token', 'content': token})}nn"

            # ノードの開始・終了を通知
            elif event_type == "on_chain_start":
                node_name = event.get("name", "unknown")
                yield f"data: {json.dumps({'type': 'node_start', 'node': node_name})}nn"

            elif event_type == "on_chain_end":
                node_name = event.get("name", "unknown")
                yield f"data: {json.dumps({'type': 'node_end', 'node': node_name})}nn"

        yield f"data: {json.dumps({'type': 'done'})}nn"

    return StreamingResponse(
        event_generator(),
        media_type="text/event-stream",
        headers={"Cache-Control": "no-cache", "X-Accel-Buffering": "no"}
    )

# Streamモード早見表
# "values"    → 各ステップ後の全状態を出力（デバッグ向き）
# "updates"   → 各ステップの差分のみ（効率的・本番向き）
# "messages"  → LLMトークンをリアルタイムで（チャットUI向き）
# "debug"     → 詳細なデバッグ情報（LangGraph Studio用）

# 複数モードを同時に使う例
async for chunk in graph.astream(
    input_data,
    config=config,
    stream_mode=["updates", "messages"]  # 複数指定可
):
    print(chunk)

注意点（2026年4月時点）: 非同期ツール（async def のツール）は現時点で `get_stream_writer()` を使ったカスタムイベントストリーミングに対応していません（GitHub Issue #6447）。非同期ツールでストリーミングが必要な場合は、ノードの引数に `writer` パラメータを追加して手動でwriterを渡す回避策があります。

4大OSSエージェントフレームワーク比較：LangGraph vs OpenAI Agents SDK vs Claude Agent SDK vs LlamaIndex Agents

2026年現在、OSSエージェントフレームワークの主要4選択肢を実務観点で比較します。OpenAI Agents SDK完全ガイドとClaude Agent SDK完全ガイドも合わせて参照すると、選定がより明確になります。

選択基準まとめ（実務判断フロー）

"""
エージェントフレームワーク選定フローチャート（2026年版）

1. RAGが主なユースケース?
   → YES: LlamaIndex Agents
   → NO: 次へ

2. OpenAIのホスト型ツール（File Search/Computer Use/Realtime）が必要?
   → YES: OpenAI Agents SDK
   → NO: 次へ

3. Claudeのみ使う + ツール呼び出しがシンプル?
   → YES: Claude Agent SDK（最も書きやすい）
   → NO: 次へ

4. 以下のいずれかが必要?
   - 承認フロー（Human-in-the-loop）
   - プロセス終了後の再開（Checkpointer）
   - 複雑な条件分岐（5ステップ以上）
   - 長時間実行（数時間〜数日のタスク）
   - マルチLLMの組み合わせ
   → YES: LangGraph ← ここがLangGraphの独壇場
"""

あわせて読みたい: AWS Bedrock AgentCore完全ガイド（クラウドマネージドでエージェントを動かす場合の選択肢）

本番デプロイ：LangSmith Deploymentの料金と設計

2025年10月、LangGraph Cloudは「LangSmith Deployment」にリブランドされました。LangGraphのOSSフレームワークは無料ですが、マネージドデプロイには料金がかかります。

LangSmith 料金体系（2026年版）

## セルフホスト（LangSmithなしで本番運用）する場合

# 方法1: Docker Compose + Postgres
# docker-compose.yml
# services:
#   app:
#     image: python:3.11
#     environment:
#       - DATABASE_URL=postgresql://user:pass@db:5432/langgraph
#   db:
#     image: postgres:16

# 方法2: Kubernetes + PostgresSaver
from langgraph.checkpoint.postgres.aio import AsyncPostgresSaver

# 環境変数で接続先を切り替え
import os
DB_URI = os.environ["DATABASE_URL"]  # 本番はシークレット管理から取得

async with AsyncPostgresSaver.from_conn_string(DB_URI) as checkpointer:
    await checkpointer.setup()
    graph = builder.compile(checkpointer=checkpointer)

# 方法3: langgraph-api（セルフホスト用APIサーバー）
# pip install langgraph-api
# langgraph-api serve --port 8080
# → LangGraph Studio から接続可能なAPIサーバーが起動

コスト設計のポイント: LangSmithの課金はトレース数ベースなので、デバッグ用の開発環境と本番を分けてトレースを管理することが重要です。小規模なら自前のPostgres + セルフホストで月額ゼロで動かせます。本番でLangSmithを使う場合でも、まずPlusプランの1 Dev deploymentで試して、Enterpriseが必要になった段階でアップグレードする順番を推奨します。

【要注意】LangGraph本番運用の落とし穴4選

落とし穴1：スキーマ設計を後回しにする

## ❌ よくある失敗：とりあえずdictで始める
def bad_node(state: dict) -> dict:
    state["result"] = "done"  # どこで何が変わるか追跡不能
    return state

## ✅ 正しいアプローチ：最初にTypedDictでスキーマを固める
class WorkflowState(TypedDict):
    messages: Annotated[list, add_messages]
    status: Literal["pending", "approved", "done", "failed"]
    result: Optional[str]
    error_count: Annotated[int, operator.add]

# メリット: LangGraph Studioが状態を可視化できる
# メリット: 型チェックで設計段階でバグを発見できる
# メリット: チームメンバーがコードを読まなくてもスキーマを理解できる

なぜ重要か: スキーマを後から変えると、既存のCheckpointとの互換性が崩れます。本番データが入ってからスキーマを変えると、マイグレーションが大変になります。必ず設計フェーズでスキーマを固めてください。

落とし穴2：MemorySaverを本番に使う

## ❌ よくある失敗
checkpointer = MemorySaver()  # プロセス再起動で全状態が消える
graph = builder.compile(checkpointer=checkpointer)

# 問題:
# - サーバーが再起動するとすべてのセッションが初期化される
# - Human-in-the-loopのinterruptが維持できない
# - スケールアウト（複数サーバー）に対応できない

## ✅ 本番では必ずPostgresSaver
with PostgresSaver.from_conn_string(DB_URI) as checkpointer:
    checkpointer.setup()  # 初回のみ。以降はmigrationで管理
    graph = builder.compile(checkpointer=checkpointer)

落とし穴3：recursion_limitを設定しない

## ❌ recursion_limitなし → 無限ループでサーバーが落ちる
config = {"configurable": {"thread_id": "t1"}}
graph.invoke(data, config)

## ✅ 必ずrecursion_limitを設定する
config = {
    "configurable": {"thread_id": "t1"},
    "recursion_limit": 25  # デフォルト25、複雑なグラフは50まで
}

# さらに安全のため、エラーハンドリングも入れる
try:
    result = graph.invoke(data, config)
except GraphRecursionError as e:
    logger.error(f"Graph recursion limit exceeded: {e}")
    # フォールバック処理

落とし穴4：interrupt()の後でgraph.invoke()を再度呼ぶ

## ❌ よくある誤り：interrupt後にinvokeで再開しようとする
result = graph.invoke(data, config)
# interrupt地点で停止...

# ❌ 間違い: invoke()で再開するとスレッドの状態がリセットされる
result = graph.invoke(data, config)  # これは最初からやり直し

## ✅ 正しい再開方法: Command(resume=...)を使う
from langgraph.types import Command

result = graph.invoke(
    Command(resume={"approved": True}),  # ここがポイント
    config  # 同じthread_idのconfigを使う
)

# APIの場合の設計パターン
# POST /tasks/{thread_id} → 新規タスク開始
# POST /tasks/{thread_id}/approve → interrupt地点から再開

実際の経験談: このinterruptの再開方法の誤りは、研修で教えると90%のエンジニアが最初に引っかかるポイントです。「invokeで再開すればいいでしょ」と思いがちですが、それだと最初から実行しなおしになります。Command(resume=…)というAPIが直感的でないので、コードレビューの項目に入れておくことをおすすめします。

まとめ：今日から始める3つのアクション

LangGraphは、状態機械型の設計思想により、複雑なマルチエージェントワークフロー・承認フロー・長時間実行タスクの本番実装で圧倒的な優位性があります。一方、学習コストが高く、シンプルなエージェントにはオーバースペックです。今日から試せる順番を整理します。

1. 今日やること: pip install langgraph langgraph-cli → langgraph dev でStudioを起動。本記事の「最小構成StateGraph」（冒頭コード）をそのままコピーして実行し、LangGraph Studioでグラフ構造を確認する。
2. 今週中: interrupt() を使ってHuman-in-the-loopの承認フローを実装する。SqliteSaverで状態を永続化し、「エージェントを止めて → ユーザーが承認 → Command(resume)で再開」の一連の流れを動かす。
3. 今月中: PostgresSaverに切り替えてFastAPI + SSEでStreamingを実装。LangSmith Plusプランの1 Dev deploymentを使って本番環境での動作確認を行う。

あわせて読みたい:

• OpenAI Agents SDK完全ガイド：シンプルなエージェント・OpenAIツール活用の実装例
• Claude Agent SDK完全ガイド：Claude特化の推論・コード生成エージェント
• AWS Bedrock AgentCore完全ガイド：クラウドマネージドでエージェントを本番運用する
• AutoGen完全ガイド｜マルチエージェント会話設計
• CrewAIとは｜使い方と役割ベースのマルチエージェント設計
• AIエージェントセキュリティ完全ガイド：OWASP LLM Top 10対応、4層モデル、本番運用30項目チェックリスト
• AIエージェント観測・評価完全ガイド｜運用基盤：LangSmith/Langfuse/RAGAS/DeepEvalで本番品質を可視化
• AIエージェントMemory完全ガイド｜永続記憶3強：Mem0/Zep/Lettaで永続記憶を実装、Core/Archival/Recall 3層モデル
• AI Voiceエージェント7強完全比較：Vapi/Retell/ElevenLabs/Deepgramほか電話AI比較
• AIカスタマーサポート7強完全比較：Decagon/Sierra/Intercom Fin等のCS AI基盤比較
• 士業のAI活用完全ガイド：税理士/社労士/弁護士/司法書士/行政書士の実践プロンプト10選
• 経理業務の負荷をCodex自動化で解決する方法：経理特化10シーンで最大80%削減
• Codex×Excel自動化プロンプト10選：VBA/Apps Script/Power Query代替
• Codex×業務15選 部署別ガイド：営業/マーケ/人事/法務/経企/情シス/CSの15シーン

参考・出典

• langgraph PyPI — LangChain（参照日: 2026-05-07）
• LangGraph 1.0 GA Release Notes — LangChain（参照日: 2026-05-07）
• LangGraph Persistence ドキュメント — LangChain（参照日: 2026-05-07）
• Human-in-the-loop with interrupt() — LangChain Blog（参照日: 2026-05-07）
• LangGraph Studio v2 Announcement — LangChain（参照日: 2026-05-07）
• LangSmith Plans and Pricing — LangChain（参照日: 2026-05-07）
• langgraph-checkpoint-postgres PyPI — LangChain（参照日: 2026-05-07）

著者: 佐藤傑（さとう・すぐる）
株式会社Uravation代表取締役。早稲田大学法学部在学中に生成AIの可能性に魅了され、X（@SuguruKun_ai）フォロワー約10万人。100社以上の企業向けAI研修・導入支援を展開。著書『AIエージェント仕事術』（SBクリエイティブ）。SoftBank IT連載7回執筆（NewsPicks最大1,125ピックス）。

ご質問・ご相談は お問い合わせフォーム からお気軽にどうぞ。