LangGraph คืออะไร? พาสร้าง AI ที่จำสถานะได้ตั้งแต่เริ่มต้น

ทำไมต้องมี "สมอง" ที่จำสถานะได้?

สวัสดีครับ ผู้เขียนเพิ่งเริ่มศึกษา AI ด้วยตัวเองเมื่อปีที่แล้ว และเคยตกใจมากตอนใช้ ChatGPT ว่าทำไมมัน "ลืม" สิ่งที่เราพูดคุยไปแล้วในการสนทนาครั้งก่อน ปรากฏว่าปัญหานี้เกิดจาก AI ทั่วไปไม่มี "หน่วยความจำ" ติดตัว มันประมวลผลแต่ละข้อความแยกกันโดยสิ้นเชิง LangGraph ที่มีผู้ใช้งานบน GitHub มากกว่า 90,000 ครั้ง ช่วยแก้ปัญหานี้ได้ เพราะมันทำให้ AI มีสถานะ (State) คล้ายกับว่ามีสมองที่จดจำสิ่งต่าง ๆ ได้ ในบทความนี้เราจะพาสร้าง AI Agent แบบง่าย ๆ ที่ใครก็ทำได้ครับ

เตรียมอุปกรณ์ก่อนเริ่มต้น

สำหรับผู้ที่ยังไม่เคยเขียนโค้ดเลย อย่ากังวลครับ เราจะเริ่มจากศูนย์ เครื่องมือที่ต้องเตรียมมีดังนี้: - คอมพิวเตอร์ที่ติดตั้ง Python แล้ว (ดาวน์โหลดได้ที่ python.org) - บัญชี API จาก HolySheep AI เพื่อเรียกใช้ AI อย่างราคาถูก (ประหยัดได้ถึง 85% เมื่อเทียบกับบริการอื่น พร้อม สมัครที่นี่ และรับเครดิตฟรี) - โปรแกรม VS Code สำหรับเขียนโค้ด เมื่อติดตั้งเสร็จแล้ว ให้เปิด Terminal หรือ Command Prompt แล้วพิมพ์คำสั่งติดตั้งโปรแกรมเสริม:

pip install langgraph langchain-core langchain-holysheep python-dotenv

คำสั่งนี้จะติดตั้ง LangGraph และเครื่องมือที่จำเป็นทั้งหมด รอสัก 2-3 นาทีจนเสร็จครับ

สร้างไฟล์กำหนดค่า .env

ขั้นตอนนี้สำคัญมากครับ เราต้องสร้างไฟล์เก็บรหัสลับเพื่อเรียกใช้บริการ AI อย่างปลอดภัย ให้สร้างโฟลเดอร์ใหม่ชื่อ my-ai-agent แล้วสร้างไฟล์ชื่อ .env ข้างใน โดยพิมพ์ข้อความดังนี้:

HOLYSHEEP_API_KEY=YOUR_HOLYSHEEP_API_KEY
HOLYSHEEP_BASE_URL=https://api.holysheep.ai/v1

ตรง YOUR_HOLYSHEEP_API_KEY ให้แทนที่ด้วยรหัสที่ได้จากการสมัคร HolyShehep AI ครับ (ราคาถูกมาก เช่น DeepSeek V3.2 อยู่ที่ $0.42 ต่อล้านตัวอักษร หรือ Gemini 2.5 Flash เพียง $2.50)

เข้าใจแนวคิด "สถานะ" แบบง่าย ๆ

ลองนึกภาพการคุยกับพนักงานร้านกาแฟครับ ถ้าเราเข้าไปสั่งกาแฟเย็น 1 แก้ว พนักงานจะจำคำสั่งนั้นได้ พอเราบอกว่า "เพิ่มนมอีกแก้วนึง" เขาก็ยังจำว่าเราสั่งกาแฟเย็นไปก่อนหน้า LangGraph ทำงานคล้ายกันครับ มันจะส่ง "สถานะ" ที่รวบรวมทุกอย่างที่เกิดขึ้นไปให้ AI ประมวลผลทีละขั้นตอน

สร้างโค้ด AI Agent ตัวแรก

ให้สร้างไฟล์ใหม่ชื่อ agent.py แล้วพิมพ์โค้ดดังนี้:

import os
from dotenv import load_dotenv
from langchain_holysheep import ChatHolySheep
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from typing import TypedDict, Annotated

โหลดรหัสลับจากไฟล์ .env
load_dotenv()

สร้างฟังก์ชันกำหนดรูปแบบสถานะ
class State(TypedDict):
    messages: Annotated[list, add_messages]
    conversation_count: int

ตั้งค่าการเชื่อมต่อกับ AI
llm = ChatHolySheep(
    model="deepseek-chat",
    temperature=0.7,
    api_key=os.getenv("HOLYSHEEP_API_KEY"),
    base_url=os.getenv("HOLYSHEEP_BASE_URL")
)

สร้างฟังก์ชันสำหรับประมวลผลข้อความ
def process_message(state: State) -> State:
    response = llm.invoke(state["messages"])
    return {
        "messages": [response],
        "conversation_count": state.get("conversation_count", 0) + 1
    }

สร้างกราฟการทำงาน
graph = StateGraph(State)
graph.add_node("chat", process_message)
graph.add_edge(START, "chat")
graph.add_edge("chat", END)

คอมไพล์ Agent
agent = graph.compile()

ทดสอบการทำงาน
initial_state = {
    "messages": [],
    "conversation_count": 0
}

print("=== ทดสอบ AI Agent ที่จำสถานะได้ ===")
result = agent.invoke({
    "messages": [{"role": "user", "content": "ชื่อฉันคือมาร์ค"}],
    "conversation_count": 0
})
print(f"AI ตอบ: {result['messages'][-1].content}")

result = agent.invoke({
    "messages": result["messages"] + [{"role": "user", "content": "ฉันชื่ออะไร?"}],
    "conversation_count": result["conversation_count"]
})
print(f"AI ตอบ: {result['messages'][-1].content}")
print(f"จำนวนการสนทนา: {result['conversation_count']}")

หลังจากพิมพ์เสร็จแล้ว ให้รันด้วยคำสั่ง:

python agent.py

ผลลัพธ์ที่ได้จะเป็นดังนี้: - บรรทัดแรก AI จะทักทายและจำชื่อ "มาร์ค" ได้ - บรรทัดที่สอง เมื่อถามว่า "ฉันชื่ออะไร" AI จะตอบว่า "มาร์ค" ได้ถูกต้อง เพราะมันส่งประวัติการสนทนาทั้งหมดไปด้วย

เพิ่มความสามารถให้ Agent ตัดสินใจได้

ตอนนี้ Agent ยังทำได้แค่ตอบคำถาม แต่เราจะเพิ่มความสามารถให้มัน "คิด" ก่อนตอบ โดยให้เลือกว่าจะค้นหาข้อมูล ตอบคำถาม หรือสรุปเนื้อหา

from langchain_core.messages import HumanMessage, SystemMessage, AIMessage

กำหนดบทบาทให้ AI
system_prompt = """คุณเป็นผู้ช่วยที่ฉลาด ทำหน้าที่:
1. ตอบคำถามทั่วไป
2. สรุปเนื้อหายาว
3. แปลภาษา

เมื่อผู้ใช้ถามคำถาม ให้ตอบอย่างเป็นมิตรและให้ข้อมูลที่เป็นประโยชน์"""

def smart_agent(state: State) -> State:
    messages = state["messages"]
    
    # เพิ่มคำสั่งระบบเพื่อกำหนดบทบาท
    if not any(isinstance(m, SystemMessage) for m in messages):
        messages = [SystemMessage(content=system_prompt)] + messages
    
    response = llm.invoke(messages)
    
    return {
        "messages": messages + [response],
        "conversation_count": state.get("conversation_count", 0) + 1
    }

สร้าง Agent ที่ฉลาดขึ้น
smart_graph = StateGraph(State)
smart_graph.add_node("chat", smart_agent)
smart_graph.add_edge(START, "chat")
smart_graph.add_edge("chat", END)
smart_agent = smart_graph.compile()

ทดสอบการสนทนาต่อเนื่อง
print("\n=== ทดสอบ Smart Agent ===")
state = {"messages": [], "conversation_count": 0}

ถามคำถามแรก
state = smart_agent.invoke(state | {"messages": [{"role": "user", "content": "บอกวิธีทำกาแฟสด 3 ขั้นตอน"}]})
print(f"คำถาม 1: {state['messages'][1].content[:100]}...")

ถามต่อโดยส่งประวัติไปด้วย
state = smart_agent.invoke(state | {"messages": [{"role": "user", "content": "ขั้นตอนแรกทำอย่างไร?"}]})
print(f"คำถาม 2: {state['messages'][-1].content}")

วิธีตรวจสอบว่า Agent จำสถานะได้จริง

ให้สังเกตว่าในโค้ดเราส่ง "messages" ที่มีประวัติการสนทนาก่อนหน้าทั้งหมดไปด้วย ถ้าลองลบส่วนนี้ออก AI จะไม่รู้ว่าเราพูดถึงอะไรในคำถามก่อนหน้า ลองทดลองดูได้เลยครับ สำหรับการตรวจสอบภาพหน้าจอ ให้สังเกตดังนี้: - เมื่อรันโค้ดสำเร็จจะเห็นข้อความตอบที่มีความต่อเนื่อง - ถ้า AI ตอบไม่ตรงคำถาม แปลว่ายังไม่ได้ส่งประวัติการสนทนาไป - ตัวเลข conversation_count ควรเพิ่มขึ้นทุกครั้งที่ส่งข้อความใหม่

ข้อผิดพลาดที่พบบ่อยและวิธีแก้ไข

1. ข้อผิดพลาด API Key ไม่ถูกต้อง

# ❌ วิธีผิด: พิมพ์ API Key ตรงในโค้ด
llm = ChatHolySheep(
    api_key="sk-abc123...ฺ"  # ไม่ควรทำแบบนี้
)

✅ วิธีถูก: ดึงจากตัวแปรสิ่งแวดล้อม
llm = ChatHolySheep(
    api_key=os.getenv("HOLYSHEEP_API_KEY")  # ปลอดภัยกว่า
)

ปัญหานี้พบบ่อยมากครับ สาเหตุคือพิมพ์ API Key ผิดหรือมีช่องว่างเกิน วิธีแก้คือตรวจสอบว่าไฟล์ .env อยู่ในโฟลเดอร์เดียวกับไฟล์โค้ด และไม่มีช่องว่างหลังเครื่องหมาย = ครับ

2. ข้อผิดพลาด Module Not Found

# ❌ ถ้าขึ้น error แบบนี้
ModuleNotFoundError: No module named 'langchain_holysheep'

✅ ให้ติดตั้งใหม่ด้วยคำสั่ง
pip install --upgrade langchain-holysheep langgraph

บางครั้งการติดตั้งครั้งแรกอาจไม่สมบูรณ์ ลองถอนแล้วติดตั้งใหม่ หรือใช้คำสั่ง python -m pip install แทนครับ

3. ข้อผิดพลาดสถานะไม่ต่อเนื่อง

# ❌ วิธีผิด: สร้าง state ใหม่ทุกครั้ง
result = smart_agent.invoke({
    "messages": [{"role": "user", "content": "ถามใหม่"}]  # ลืมประวัติ!
})

✅ วิธีถูก: ส่ง state เดิมต่อไป
result = smart_agent.invoke(state | {"messages": [{"role": "user", "content": "ถามใหม่"}]})
print(result["messages"][-1].content)  # ดึงคำตอบล่าสุด

ปัญหานี้ทำให้ AI จำสถานะไม่ได้ครับ ต้องส่ง state ที่มี messages เดิมต่อไป หรือใช้วิธี .invoke(state | {"messages": [...]}) ที่แนะนำไว้ข้างต้น

4. ข้อผิดพลาด Rate Limit

# ถ้าเจอ error 429 ให้เพิ่ม delay ระหว่างการเรียก
import time

✅ เพิ่มการรอระหว่างการเรียก API
time.sleep(1)  # รอ 1 วินาที
result = smart_agent.invoke(state)

การเรียก API บ่อยเกินไปอาจถูกบล็อกชั่วคราว การเพิ่ม delay ช่วยแก้ปัญหานี้ได้ โดยเฉพาะเมื่อใช้ HolySheep AI ที่มีความเร็วตอบสนองต่ำกว่า 50 มิลลิวินาที การรอสักครู่จะช่วยให้ระบบทำงานเสถียรขึ้น

สรุปสิ่งที่เรียนรู้วันนี้

จากบทความนี้เราได้เรียนรู้การสร้าง AI Agent ที่มีสถานะจดจำได้ ซึ่งประกอบด้วย: - การสร้าง State เพื่อเก็บประวัติการสนทนา - การส่ง State ต่อเนื่องให้ AI ประมวลผล - การใช้ LangGraph สร้างกราฟการทำงานแบบมีโครงสร้าง - การเชื่อมต่อกับ HolySheep AI ผ่าน base_url ที่ถูกต้อง เมื่อเข้าใจพื้นฐานนี้แล้ว สามารถต่อยอดไปสร้าง Agent ที่ซับซ้อนขึ้น เช่น ทำหลายขั้นตอนต่อเนื่อง หรือให้ Agent ตัดสินใจเลือกเส้นทางการทำงานได้ด้วยตัวเองครับ

เริ่มต้นวันนี้

ถ้ายังไม่มี API Key สามารถสมัคร HolySheep AI ได้ทันที โดยราคาถูกมากเมื่อเทียบกับบริการอื่น อัตราแลกเปลี่ยนเพียง ¥1=$1 ทำให้ประหยัดได้ถึง 85% รองรับ WeChat และ Alipay พร้อมเครดิตฟรีเมื่อลงทะเบียนครับ 👉 สมัคร HolySheep AI — รับเครดิตฟรีเมื่อลงทะเบียน