Alle video's
0:00 / 0:00
research

Turn Any LangGraph Agent Into a Voice Agent in Minutes

LangChain23 juni 2026Bekijk op YouTube

Onderdeel van serie

Afl. 4 · LangSmith Engine

LangChain's LangSmith Engine automatiseert het verbeteren van AI-agents door productie-traces om te zetten in geheugen en fixes.

Bekijk de serie

Wat je leert

  • Je kunt een bestaande, in productie draaiende LangGraph-agent ombouwen tot spraakagent door alleen de OpenAI-LLM-laag in een Pipecat-pipeline te vervangen door de LangGraph-graph.
  • De LangGraph-graph moet stateless gemaakt worden, zodat Pipecat de gesprekscontext beheert en er geen dubbele state wordt bijgehouden.
  • Voor het traceren van een voice agent in LangSmith gebruik je de span processor die de OTEL-traces van Pipecat omzet in LangSmith-compatibele attributen.
  • Pipecat regelt automatisch voice activity detection en onderbrekingen, en snoeit de context zodanig dat alleen wordt bewaard wat de gebruiker daadwerkelijk heeft gehoord.
  • Bij de overgang naar spraak zijn kortere antwoorden en één vraag tegelijk nodig, anders klinkt de dialoog onnatuurlijk.

Veelgestelde vragen

Wat is er nodig om een bestaande LangGraph-agent als voice agent te laten werken?
Je vervangt in een Pipecat-pipeline de standaard OpenAI-LLM-laag door je eigen LangGraph-agent via een eigen LLM-service-klasse. Daarnaast maak je de LangGraph-graph stateless door de checkpointer los te laten, zodat Pipecat de gesprekscontext beheert.
Waarom moet de LangGraph-graph stateless worden gemaakt?
Een chatagent gebruikt vaak een checkpointer die de conversatiestate in LangGraph opslaat. Pipecat heeft echter ook een eigen context. Om dubbele context te voorkomen en Pipecat als bron van waarheid te gebruiken, haalt Caroline di Vittorio de positie in het gesprek niet uit opgeslagen state maar berekent ze die opnieuw uit de berichten, door de laatste 'transfer to'-toolcall te zoeken.
Hoe krijg je de voice agent getracet in LangSmith?
Pipecat emitteert OTEL-traces. Een span processor uit de LangSmith-documentatie vangt die op en zet ze om in LangSmith-compatibele attributen. Zo komen spraak-naar-tekst, tekst-naar-spraak en de LangGraph-run in één trace terecht, met de audio-opname als afspeelbare attachment.
Wat verandert er aan de prompting als een agent gaat praten?
Waar een tekstagent lange antwoorden, opmaak en emoji kan versturen, vraagt een spraakdialoog om korte respons en één vraag tegelijk. Volgens di Vittorio moet je de agent per modaliteit andere instructies geven, anders wordt het gesprek woordrijk en gemaakt.

Onderwerpen

In deze video

Lees ook

Bronnen

Wat er buiten deze uitzending over dit onderwerp bekend is, en waar dat staat.

Beschrijving van het kanaal

Caroline di Vittorio, software engineer at LangChain, walks through how to take an existing LangGraph multi-agent system and wire it into a fully functional voice agent using Pipecat — without rebuilding your graph from scratch. She covers the key architectural change required (dropping the checkpointer and making the graph stateless), how Pipecat handles speech-to-text, text-to-speech, voice activity detection, and interruptions out of the box, and how to get complete LangSmith traces that include audio recording, latency, and costs across every layer of the pipeline. Turn Any LangGraph Agent Into a Voice Agent in Minutes 0:00 Why voice agents are just a new modality for your existing agent 0:40 What Pipecat does and how it fits into the stack 1:10 The demo agent: LangGym customer support with four specialized sub-agents 1:47 How the multi-agent graph routes and maintains state 2:35 Testing the text agent with FastAPI 3:04 Watching the triage and cancellation agents hand off in real time 3:24 Inspecting the LangSmith trace for the text agent run 4:09 Time to add voice: swapping in Pipecat 4:20 Walking through the basic Pipecat pipeline (STT, LLM, TTS) 5:07 Voice activity detection and interruption handling explained 6:01 Replacing the OpenAI LLM layer with the LangGraph agent 7:20 The checkpointer problem: why stateful LangGraph breaks with Pipecat 8:01 Making the graph stateless: deriving active agent from messages 10:13 How the adapter passes context between Pipecat and LangGraph 10:38 Running the full voice agent demo 11:40 What's missing from the first trace: STT, TTS, audio, latency 12:22 Adding the LangSmith span processor for complete Pipecat tracing 14:42 Adding audio recording and seeing it in the trace UI 16:05 Prompting differences between text and voice agents Referenced docs: → Trace Pipecat application: https://docs.langchain.com/langsmith/trace-with-pipecat → Quickstart - Pipecat: https://docs.pipecat.ai/pipecat/get-started/quickstart → Quickstart - LangChain: https://docs.langchain.com/oss/python/langgraph/quickstart → Demo repo: https://github.com/langchain-ai/pipecat-langgraph-example Resources: → LangGraph: https://www.langchain.com/langgraph → LangSmith: https://www.langchain.com/langsmith → Pipecat docs: https://docs.pipecat.ai