LangGraph

Since the previous Radar, we’ve observed that the LangGraph architecture — which treats every multi-agent system as stateful graphs with a global shared state — is not always the best approach for building agentic systems. We’ve also seen an alternative approach, used in frameworks such as Pydantic AI, that also works well.

Instead of starting with a rigid graph and a massive shared state, this approach favors simple agents communicating through code execution, with graph structures added later when needed. It often results in leaner and more effective systems for many use cases. Because each agent only has access to the state it needs, reasoning, testing and debugging become easier. As a result, we’ve moved LangGraph out of Adopt. While it remains a powerful tool, we no longer see it as the default choice for building every agentic system.

LangGraph es un framework de orquestación para crear aplicaciones multi-agente con estado utilizando LLMs. Proporciona primitivas de bajo nivel como nodos y aristas, junto con funciones integradas que ofrecen a a las personas desarrolladoras un control granular sobre los flujos de trabajo de los agentes, la gestión de memoria y la persistencia del estado. Esto significa que las personas desarrolladoras pueden comenzar con un grafo preconstruido sencillo y escalar hacia arquitecturas de agentes complejas en evolución. Con soporte para streaming, gestión avanzada de contexto y patrones de resiliencia como “model fallbacks” y manejo de errores de herramientas, LangGraph permite crear aplicaciones agénticas robustas y listas para producción. Su enfoque basado en grafos garantiza flujos de trabajo predecibles y personalizables, y simplifica la depuración y el escalado. Nuestros equipos han obtenido buenos resultados utilizando LangGraph para construir sistemas multiagente gracias a su diseño modular y ligero.

LangGraph es un framework de orquestación diseñado para construir aplicaciones multiagente con estados utilizando modelos LLM. Esta tecnología proporciona un conjunto de primitivas de bajo nivel como aristas y vértices en lugar de las abstracciones de alto nivel de LangChain, lo que permite a los desarrolladores un control más detallado sobre los flujos de trabajo de los agentes, la gestión de memoria y la persistencia del estado. Este enfoque basado en grafos garantiza flujos de trabajo predecibles y personalizables, facilitando la depuración, el escalado y el mantenimiento de aplicaciones en producción. Aunque presenta una curva de aprendizaje más pronunciada, su diseño ligero y modular lo convierte en un framework potente para la creación de aplicaciones con agentes autónomos.