# LangGraph
Halaman ini menjelaskan cara instrumen [LangGraph](https://langchain-ai.github.io/langgraph/)agen, bagaimana rentang diidentifikasi, dan bagaimana bidang evaluasi diekstraksi. Ini ditutup dengan [praktik terbaik](#langgraph-best-practices) untuk penataan LangGraph agen sehingga dapat dievaluasi dengan andal.
**Topik**
+ [Instrumen agen Anda](#langgraph-instrument)
+ [Bagaimana rentang diidentifikasi](#langgraph-span-identification)
+ [Bagaimana bidang evaluasi diekstraksi](#langgraph-extraction)
+ [Dari catatan acara](#langgraph-extraction-event-records)
+ [Dari atribut span](#langgraph-extraction-attributes)
+ [Contoh membentang dengan catatan acara](#langgraph-examples-with)
+ [Contoh membentang tanpa catatan peristiwa](#langgraph-examples-without)
+ [Praktik terbaik untuk LangGraph agen](#langgraph-best-practices)
## Instrumen agen Anda
Anda dapat menginstrumentasikan LangGraph agen dengan salah satu dari dua pustaka instrumentasi: **OpenTelemetry**(`opentelemetry-instrumentation-langchain`) atau **OpenInference**(`openinference-instrumentation-langchain`). Amazon Bedrock AgentCore Evaluations mendukung kedua pustaka. Pustaka memancarkan nama lingkup yang berbeda dan menggunakan atribut rentang yang berbeda. Layanan evaluasi mengekstrak nilai yang sama dari masing-masing.
Saat agen Anda berjalan dengan AWS Distro for OpenTelemetry (ADOT), seperti di Amazon Bedrock AgentCore Runtime, Anda tidak perlu menambahkan kode instrumentasi eksplisit. Menambahkan pustaka instrumentasi ke dependensi proyek Anda sudah cukup. ADOT menemukannya saat startup dan mengaktifkannya secara otomatis.
Tambahkan pustaka instrumentasi untuk jalur yang Anda inginkan ke dependensi Anda. Contoh berikut menyematkan versi minimum; gunakan versi terbaru yang tersedia kecuali Anda memiliki alasan untuk menyematkan.
**Example**
CATATAN: Gunakan versi `0.55.0` atau yang lebih baru. Versi 0.55.0 menambahkan dukungan untuk [konvensi rentang agen OpenTelemetry generatif-AI](https://github.com/open-telemetry/semantic-conventions-genai/blob/main/docs/gen-ai/gen-ai-agent-spans.md) yang lebih baru yang diandalkan oleh layanan evaluasi.
Tambahkan `opentelemetry-instrumentation-langchain` ke dependensi Anda. Nama lingkup yang dipancarkan adalah. `opentelemetry.instrumentation.langchain`
`requirements.txt`:
```
opentelemetry-instrumentation-langchain>=0.55.0
```
`pyproject.toml`:
```
[project]
dependencies = [
"opentelemetry-instrumentation-langchain>=0.55.0",
]
```
Tambahkan `openinference-instrumentation-langchain` ke dependensi Anda. Nama lingkup yang dipancarkan adalah. `openinference.instrumentation.langchain`
`requirements.txt`:
```
openinference-instrumentation-langchain>=0.1.62
```
`pyproject.toml`:
```
[project]
dependencies = [
"openinference-instrumentation-langchain>=0.1.62",
]
```
**catatan**
Instrumentasi adalah salah satu langkah dalam mengatur observabilitas. Untuk mengekspor telemetri untuk evaluasi, selesaikan pengaturan lengkap di [Siapkan observabilitas](supported-frameworks.md#supported-frameworks-setup).
## Bagaimana rentang diidentifikasi
Atribut yang digunakan untuk mengklasifikasikan bentang berbeda antara dua pustaka instrumentasi.
**Example**
Pustaka OpenTelemetry instrumentasi mengklasifikasikan rentang menggunakan `traceloop.span.kind` atribut, dan versi terbaru juga disetel. `gen_ai.operation.name`
| Jenis rentang | Mengidentifikasi atribut |
| --- | --- |
| Memohon agen | `traceloop.span.kind`= `workflow` (juga `gen_ai.operation.name` =`invoke_agent`) |
| Jalankan alat | `traceloop.span.kind`= `tool` (juga `gen_ai.operation.name` =`execute_tool`) |
| Inferensi | `gen_ai.operation.name` = `chat` |
Pustaka OpenInference instrumentasi mengklasifikasikan rentang menggunakan atribut. `openinference.span.kind`
| Jenis rentang | Mengidentifikasi atribut |
| --- | --- |
| Memohon agen | `openinference.span.kind`= `CHAIN` atau `AGENT` |
| Jalankan alat | `openinference.span.kind` = `TOOL` |
| Inferensi | `openinference.span.kind` = `LLM` |
## Bagaimana bidang evaluasi diekstraksi
Untuk rentang agen pemanggilan, input dan output tidak berisi daftar per pesan yang bersih. Sebaliknya, konten adalah **status LangChain grafik serial**: string JSON yang membungkus status penuh. Bentuk yang tepat dari status serial ini berbeda antara dua pustaka instrumentasi. Dalam kedua kasus, layanan menguraikannya untuk menemukan prompt pengguna (pesan manusia) dan respons agen (pesan AI).
LangGraph juga membuat serial peran pesan dalam lebih dari satu bentuk. Peran dapat muncul sebagai nilai huruf kecil (`human`,`ai`,`tool`) atau sebagai nama kelas LangChain pesan (`HumanMessage`,`AIMessage`,`ToolMessage`). Layanan mengenali kedua bentuk.
Lokasi konten ini tergantung pada bagaimana telemetri dikumpulkan. Atribut pengidentifikasi (`traceloop.span.kind`atau`openinference.span.kind`) berada pada rentang dalam kedua kasus. Untuk informasi selengkapnya, lihat [Rentang, catatan peristiwa, dan sinyal telemetri](supported-frameworks-telemetry.md).
### Dari catatan acara
Saat telemetri dibagi, layanan membaca konten dari catatan peristiwa yang berkorelasi dengan setiap rentang:
+ **Prompt pengguna** dan **respons agen**: dari catatan peristiwa rentang agen pemanggilan, di `body.input` dan`body.output`.
+ **Panggilan alat**: nama alat dari rentang alat eksekusi. Argumen dan hasil alat berasal dari catatan peristiwa rentang itu, di `body.input` dan`body.output`.
Sebagai contoh, lihat [Contoh bentang dengan catatan peristiwa](#langgraph-examples-with).
### Dari atribut span
Ketika telemetri tidak dibagi, konten yang sama tetap pada rentang sebagai atribut. Atribut tergantung pada pustaka instrumentasi:
+ **OpenTelemetry**:
+ **Prompt pengguna** dan **respons agen**: dari `gen_ai.task.input` dan `gen_ai.task.output` pada rentang agen pemanggilan.
+ **Panggilan alat**: nama alat dari`gen_ai.tool.name`, dan argumen dan hasil dari `gen_ai.tool.call.arguments` dan`gen_ai.tool.call.result`, pada rentang alat eksekusi.
+ **OpenInference**:
+ **Prompt pengguna** dan **respons agen**: dari `input.value` dan `output.value` pada rentang agen pemanggilan.
+ **Panggilan alat**: nama alat dari`tool.name`, dan argumen dan hasil dari `input.value` dan`output.value`, pada rentang alat eksekusi.
Sebagai contoh, lihat [Contoh rentang tanpa catatan peristiwa](#langgraph-examples-without).
## Contoh membentang dengan catatan acara
Ketika telemetri dibagi, rentang membawa atribut pengidentifikasi dan konten hidup dalam catatan peristiwa yang berkorelasi. Contoh berikut berasal dari agen LangGraph perencanaan perjalanan yang digunakan di Amazon Bedrock Runtime. AgentCore Agen yang sama ditampilkan di bawah setiap perpustakaan instrumentasi.
**catatan**
Contoh-contoh ini bukan bentang lengkap. Mereka menunjukkan data representatif dari interaksi agen nyata, dengan beberapa bidang dihilangkan dan nilai panjang dipotong untuk keterbacaan.
### OpenTelemetry
**Example**
`traceloop.span.kind`Atribut (`workflow`) mengidentifikasi ini sebagai rentang agen pemanggilan; versi pustaka terbaru juga menetapkan `gen_ai.operation.name` =. `invoke_agent`
```
{
"traceId": "6a01eef11066751d68f90def0da1f80a",
"spanId": "ba1833fa7f097041",
"parentSpanId": "836a5ccf9a2186cc",
"name": "travel_agent.workflow",
"kind": "INTERNAL",
"scope": {
"name": "opentelemetry.instrumentation.langchain",
"version": "0.60.0"
},
"startTimeUnixNano": 1778511607308521744,
"endTimeUnixNano": 1778511610930280395,
"durationNano": 3621758651,
"attributes": {
"traceloop.span.kind": "workflow",
"gen_ai.operation.name": "invoke_agent",
"gen_ai.agent.name": "travel_agent",
"gen_ai.provider.name": "langgraph",
"traceloop.workflow.name": "travel_agent",
"session.id": "sea-nyc-trip-2-turns-adot_v17_opentelemetry_0_60_0"
},
"status": {
"code": "OK"
}
}
```
Catatan peristiwa yang berkorelasi membawa percakapan. Setiap pesan `content` adalah status LangChain grafik serial. Input membungkus status di bawah `inputs` kunci. Output membungkusnya di bawah `outputs` kunci, dengan setiap pesan sebagai objek LangChain konstruktor. Prompt pengguna adalah pesan manusia dan respons agen adalah pesan AI di dalam status serial itu.
```
{
"spanId": "ba1833fa7f097041",
"traceId": "6a01eef11066751d68f90def0da1f80a",
"scope": {
"name": "opentelemetry.instrumentation.langchain"
},
"body": {
"input": {
"messages": [
{
"content": "{\"inputs\": {\"messages\": [{\"role\": \"user\", \"content\": \"Hey, how can you help me\"}]}, \"tags\": [], \"metadata\": {\"ls_integration\": \"langchain_create_agent\", \"lc_agent_name\": \"travel_agent\", \"thread_id\": \"sea-nyc-trip-2-turns-adot_v17_opentelemetry_0_60_0\"}, \"kwargs\": {\"name\": \"travel_agent\"}}",
"role": "user"
}
]
},
"output": {
"messages": [
{
"content": "{\"outputs\": {\"messages\": [{\"lc\": 1, \"type\": \"constructor\", \"id\": [\"langchain\", \"schema\", \"messages\", \"HumanMessage\"], \"kwargs\": {\"content\": \"Hey, how can you help me\", \"type\": \"human\", \"id\": \"12345678-1234-1234-1234-123456789012\"}}, {\"lc\": 1, \"type\": \"constructor\", \"id\": [\"langchain\", \"schema\", \"messages\", \"AIMessage\"], \"kwargs\": {\"content\": \"Hello! I'm your travel planning assistant ...\", \"type\": \"ai\"}}]}, \"kwargs\": {\"tags\": []}}",
"role": "assistant"
}
]
}
}
}
```
`traceloop.span.kind`Atribut (`tool`) mengidentifikasi ini sebagai rentang alat eksekusi; `gen_ai.tool.name` memegang nama alat dan `gen_ai.operation.name` =`execute_tool`.
```
{
"traceId": "6a01eefa5c52f3d86a35038f35f5ba30",
"spanId": "5b332f3cd15ace04",
"parentSpanId": "922a21edc04eba29",
"name": "execute_tool search_flights",
"kind": "INTERNAL",
"scope": {
"name": "opentelemetry.instrumentation.langchain",
"version": "0.60.0"
},
"startTimeUnixNano": 1778511614892698232,
"endTimeUnixNano": 1778511614893399618,
"durationNano": 701386,
"attributes": {
"traceloop.span.kind": "tool",
"gen_ai.operation.name": "execute_tool",
"gen_ai.tool.name": "search_flights",
"gen_ai.tool.type": "function",
"gen_ai.tool.description": "Search for available flights between cities.",
"gen_ai.provider.name": "langgraph",
"traceloop.workflow.name": "travel_agent",
"session.id": "sea-nyc-trip-2-turns-adot_v17_opentelemetry_0_60_0"
},
"status": {
"code": "OK"
}
}
```
Catatan peristiwa yang berkorelasi membawa input alat (argumen) dan output (hasil, diserialkan sebagai a LangChain `ToolMessage`).
```
{
"spanId": "5b332f3cd15ace04",
"traceId": "6a01eefa5c52f3d86a35038f35f5ba30",
"scope": {
"name": "opentelemetry.instrumentation.langchain"
},
"body": {
"input": {
"messages": [
{ "content": "{\"origin\": \"SEA\", \"destination\": \"NYC\", \"date\": \"2025-03-15\"}" }
]
},
"output": {
"messages": [
{
"role": "tool",
"name": "search_flights",
"content": "{\"origin\": \"SEA\", \"destination\": \"NYC\", \"flights\": [ ... ]}"
}
]
}
}
}
```
### OpenInference
Dengan OpenInference perpustakaan, tipe rentang dibawa dalam `openinference.span.kind` atribut, dan input dan output agen diserialisasikan dalam catatan peristiwa yang berkorelasi.
**Example**
`openinference.span.kind`Atribut (`CHAIN`, atau `AGENT` ketika grafik dikompilasi dengan nama) mengidentifikasi ini sebagai rentang agen pemanggilan.
```
{
"traceId": "6a387ee61078243c1cc455ed45c6c313",
"spanId": "0a7990d804132a9b",
"parentSpanId": "29ae22014173881c",
"name": "LangGraph",
"kind": "INTERNAL",
"scope": {
"name": "openinference.instrumentation.langchain",
"version": "0.1.66"
},
"startTimeUnixNano": 1782087405949310976,
"endTimeUnixNano": 1782087408945828864,
"durationNano": 2996517888,
"attributes": {
"openinference.span.kind": "CHAIN",
"input.mime_type": "application/json",
"output.mime_type": "application/json",
"llm.input_messages.0.message.role": "user",
"session.id": "sea-nyc-trip-2-turns-oi-0-1-66"
},
"status": {
"code": "OK"
}
}
```
Catatan peristiwa yang berkorelasi membawa percakapan. Prompt pengguna adalah pesan peran manusia dan respons agen adalah AI-role pesan dalam pesan serial.
```
{
"spanId": "0a7990d804132a9b",
"traceId": "6a387ee61078243c1cc455ed45c6c313",
"scope": {
"name": "openinference.instrumentation.langchain"
},
"body": {
"input": {
"messages": [
{
"role": "user",
"content": "{\"messages\": [{\"role\": \"user\", \"content\": \"Hey, how can you help me\"}]}"
}
]
},
"output": {
"messages": [
{
"content": "{\"messages\": [{\"type\": \"human\", \"data\": {\"content\": \"Hey, how can you help me\", ...}}, {\"type\": \"ai\", \"data\": {\"content\": \"Hello! I'm your travel planning assistant ...\", ...}}]}",
"role": "assistant"
}
]
}
}
}
```
`openinference.span.kind`Atribut (`TOOL`) mengidentifikasi ini sebagai rentang alat eksekusi; `tool.name` memegang nama alat.
```
{
"traceId": "6a387ef07b8f4f3732fab45d3c0b51ff",
"spanId": "ab105c12cc40048f",
"parentSpanId": "9b2d4e72760690b4",
"name": "search_flights",
"kind": "INTERNAL",
"scope": {
"name": "openinference.instrumentation.langchain",
"version": "0.1.66"
},
"startTimeUnixNano": 1782087411724620032,
"endTimeUnixNano": 1782087411725306880,
"durationNano": 686848,
"attributes": {
"openinference.span.kind": "TOOL",
"tool.name": "search_flights",
"tool.description": "Search for available flights between cities.",
"input.mime_type": "application/json",
"output.mime_type": "application/json",
"session.id": "sea-nyc-trip-2-turns-oi-0-1-66"
},
"status": {
"code": "OK"
}
}
```
Catatan peristiwa yang berkorelasi membawa input alat (argumen) dan output (hasil, diserialkan sebagai a LangChain `ToolMessage`).
```
{
"spanId": "ab105c12cc40048f",
"traceId": "6a387ef07b8f4f3732fab45d3c0b51ff",
"scope": {
"name": "openinference.instrumentation.langchain"
},
"body": {
"input": {
"messages": [
{
"role": "user",
"content": "{\"origin\": \"SEA\", \"destination\": \"NYC\", \"date\": \"2025-03-15\"}"
}
]
},
"output": {
"messages": [
{
"content": "{\"type\": \"tool\", \"data\": {\"content\": \"{\\\"origin\\\": \\\"SEA\\\", \\\"destination\\\": \\\"NYC\\\", \\\"flights\\\": [ ... ]}\", \"type\": \"tool\", \"name\": \"search_flights\", \"tool_call_id\": \"toolu_bdrk_01LzXXJCfpfuS7Bpf7e1qLMg\", \"status\": \"success\"}}",
"role": "assistant"
}
]
}
}
}
```
## Contoh membentang tanpa catatan peristiwa
Ketika telemetri tidak dibagi, konten yang sama tetap pada atribut rentang dan tidak ada catatan peristiwa terpisah yang dihasilkan. Contoh berikut berasal dari agen LangGraph perencanaan perjalanan. Agen yang sama ditampilkan di bawah setiap perpustakaan instrumentasi.
**catatan**
Contoh-contoh ini bukan bentang lengkap. Mereka menunjukkan data representatif dari interaksi agen nyata, dengan beberapa bidang dihilangkan dan nilai panjang dipotong untuk keterbacaan.
### OpenTelemetry
**Example**
`gen_ai.task.input`Atribut menahan prompt pengguna, dan `gen_ai.task.output` atribut memegang status serial dengan respons agen. Keduanya adalah status LangChain grafik serial.
```
{
"traceId": "6a4de7b85e61747e6b568a1f4768e89d",
"spanId": "31ea3d5882dac680",
"name": "LangGraph.workflow",
"kind": "INTERNAL",
"scope": {
"name": "opentelemetry.instrumentation.langchain",
"version": "0.62.1"
},
"attributes": {
"traceloop.span.kind": "workflow",
"gen_ai.operation.name": "invoke_agent",
"gen_ai.agent.name": "LangGraph",
"gen_ai.task.input": "{\"inputs\": {\"messages\": [{\"role\": \"user\", \"content\": \"Hey, how can you help me\"}]}, \"tags\": [], \"metadata\": { ... }, \"kwargs\": {\"name\": \"LangGraph\"}}",
"gen_ai.task.output": "{\"outputs\": {\"messages\": [{\"lc\": 1, \"type\": \"constructor\", \"id\": [\"langchain\", \"schema\", \"messages\", \"HumanMessage\"], \"kwargs\": {\"content\": \"Hey, how can you help me\", \"type\": \"human\"}}, {\"lc\": 1, \"type\": \"constructor\", \"id\": [\"langchain\", \"schema\", \"messages\", \"AIMessage\"], \"kwargs\": {\"content\": \"Hello! I'm your travel planning assistant ...\", \"type\": \"ai\"}}]}, \"kwargs\": {\"tags\": []}}",
"session.id": "sea-nyc-trip-2-turns-unified"
},
"status": {
"code": "OK"
}
}
```
`gen_ai.tool.call.arguments`Atribut memegang argumen alat, dan `gen_ai.tool.call.result` atribut memegang hasil alat, diserialkan sebagai LangChain `ToolMessage`.
```
{
"traceId": "6a4de7c376913db82e6f0f336a16731d",
"spanId": "b64c37adefae74f0",
"name": "execute_tool search_flights",
"kind": "INTERNAL",
"scope": {
"name": "opentelemetry.instrumentation.langchain",
"version": "0.62.1"
},
"attributes": {
"traceloop.span.kind": "tool",
"gen_ai.operation.name": "execute_tool",
"gen_ai.tool.name": "search_flights",
"gen_ai.tool.description": "Search for available flights between cities.",
"gen_ai.tool.call.arguments": "{\"input_str\": \"{'origin': 'SEA', 'destination': 'NYC', 'date': '2025-03-15'}\", \"inputs\": {\"origin\": \"SEA\", \"destination\": \"NYC\", \"date\": \"2025-03-15\"}, \"metadata\": { ... }}",
"gen_ai.tool.call.result": "{\"output\": {\"lc\": 1, \"type\": \"constructor\", \"id\": [\"langchain\", \"schema\", \"messages\", \"ToolMessage\"], \"kwargs\": {\"content\": \"{\\\"origin\\\": \\\"SEA\\\", \\\"destination\\\": \\\"NYC\\\", \\\"flights\\\": [ ... ]}\", \"type\": \"tool\", \"name\": \"search_flights\", \"status\": \"success\"}}}",
"session.id": "sea-nyc-trip-2-turns-unified"
},
"status": {
"code": "OK"
}
}
```
### OpenInference
**Example**
`input.value`Atribut menahan prompt pengguna, dan `output.value` atribut memegang status serial dengan respons agen.
```
{
"traceId": "6a387ee61078243c1cc455ed45c6c313",
"spanId": "b8c0b67876b78b91",
"name": "LangGraph",
"kind": "INTERNAL",
"scope": {
"name": "openinference.instrumentation.langchain",
"version": "0.1.66"
},
"attributes": {
"openinference.span.kind": "CHAIN",
"input.value": "{\"messages\": [{\"role\": \"user\", \"content\": \"Hey, how can you help me\"}]}",
"output.value": "{\"messages\": [{\"type\": \"human\", \"data\": {\"content\": \"Hey, how can you help me\"}}, {\"type\": \"ai\", \"data\": {\"content\": \"Hello! I'm your travel planning assistant ...\"}}]}",
"session.id": "sea-nyc-trip-2-turns-oi-0-1-66"
},
"status": {
"code": "OK"
}
}
```
`input.value`Atribut memegang argumen alat, dan `output.value` atribut memegang hasil alat, diserialkan sebagai LangChain `ToolMessage`.
```
{
"traceId": "6a387ef07b8f4f3732fab45d3c0b51ff",
"spanId": "58752612d9b22ae1",
"name": "search_flights",
"kind": "INTERNAL",
"scope": {
"name": "openinference.instrumentation.langchain",
"version": "0.1.66"
},
"attributes": {
"openinference.span.kind": "TOOL",
"tool.name": "search_flights",
"tool.description": "Search for available flights between cities.",
"input.value": "{\"origin\": \"SEA\", \"destination\": \"NYC\", \"date\": \"2025-03-15\"}",
"output.value": "{\"type\": \"tool\", \"data\": {\"content\": \"{\\\"origin\\\": \\\"SEA\\\", \\\"destination\\\": \\\"NYC\\\", \\\"flights\\\": [ ... ]}\", \"name\": \"search_flights\"}}",
"session.id": "sea-nyc-trip-2-turns-oi-0-1-66"
},
"status": {
"code": "OK"
}
}
```
## Praktik terbaik untuk LangGraph agen
Bagaimana Anda membangun dan memanggil LangGraph agen memengaruhi apa yang muncul dalam telemetrinya, dan oleh karena itu seberapa andal agen tersebut dapat dievaluasi. Praktik berikut membantu memastikan prompt pengguna, respons agen, dan aktivitas alat dapat dipulihkan.
### 1. Pilih pola konstruksi agen
Ada dua cara umum untuk membangun LangGraph agen:
+ **Prebuilt `create_agent`**: cara tercepat untuk memulai. Ini menghasilkan rentang agen pemanggilan tunggal per giliran, dengan percakapan melewati LangGraph loop eksekusi bawaan. Gunakan ini saat Anda menginginkan agen alasan-tindakan standar tanpa alur kontrol khusus.
```
from langchain.agents import create_agent
agent = create_agent(model=model, tools=[search_flights, book_flight])
```
+ **Kustom `StateGraph`**: memberi Anda kontrol penuh atas node, tepi, dan perutean bersyarat. Setiap eksekusi node menjadi rentangnya sendiri, sehingga jejaknya lebih granular. Gunakan ini saat Anda membutuhkan orkestrasi khusus.
```
from langgraph.graph import StateGraph, START, END
from typing_extensions import TypedDict
class State(TypedDict):
messages: list
graph = StateGraph(State)
graph.add_node("generate_response", generate_response)
graph.add_node("tools", run_tools)
graph.add_edge(START, "generate_response")
agent = graph.compile()
```
Kedua pola dievaluasi dengan cara yang sama; perbedaannya adalah perincian jejak.
### 2. Gunakan `pesan` dalam Status grafik Anda (disarankan)
Layanan evaluasi merekonstruksi percakapan dari pesan input dan output agen. Menggunakan `messages` bidang tidak wajib, tetapi memungkinkan ekstraksi yang paling dapat diandalkan. Untuk kebiasaan`StateGraph`, simpan percakapan di `messages` bidang di Negara Bagian Anda:
+ **Sertakan `messages` di Negara Anda (disarankan).** Anda dapat menambahkan bidang khusus lainnya (seperti `user_id` atau metadata). Ketika `messages` hadir, ekstraksi standar menemukan prompt pengguna dan respons agen secara langsung. Jika tidak `messages` ada, layanan akan kembali merekonstruksi percakapan dari rentang inferensi individu, yang kurang dapat diandalkan.
+ **Tambahkan, jangan ganti.** Ikuti LangGraph konvensi menambahkan pesan baru ke daftar daripada menimpa, sehingga riwayat percakapan lengkap dipertahankan.
+ **Gunakan jenis LangChain pesan kanonik** (`HumanMessage`,, `AIMessage``ToolMessage`,`SystemMessage`). Instrumentasi membuat serial ini dengan benar, dan layanan mengenali peran mereka.
### 3. Meneruskan pesan pengguna dalam format yang didukung
Saat Anda memanggil LangGraph agen, Anda menambahkan pesan pengguna ke `messages` status grafik. LangGraph menerima pesan dalam tiga format yang dapat dipertukarkan, dan AgentCore Evaluasi mendukung semuanya. Masing-masing menghasilkan rentang dan catatan peristiwa yang dapat dibaca oleh layanan.
+ **Tuple**: `(role, content)` sepasang:
```
agent.invoke({"messages": [("user", user_message)]}, config=config)
```
+ **LangChain objek pesan**: a `HumanMessage` (atau kelas pesan lainnya):
```
from langchain_core.messages import HumanMessage
agent.invoke({"messages": [HumanMessage(content=user_message)]}, config=config)
```
+ **Kamus**: `{"role", "content"}` kamus:
```
agent.invoke({"messages": [{"role": "user", "content": user_message}]}, config=config)
```
Ketiga format menghasilkan `messages` status yang sama, sehingga prompt pengguna dan respons agen diekstraksi secara identik terlepas dari mana yang Anda pilih.