Desde o último Radar, observamos que a arquitetura do LangGraph — que trata todo sistema de multiagentes como grafos stateful com um estado compartilhado global — nem sempre é a melhor abordagem para construir sistemas baseados em agentes. Também vimos uma abordagem alternativa, usada em frameworks como o Pydantic AI, que também funciona bem. Em vez de começar com um grafo rígido e um estado compartilhado massivo, essa abordagem favorece agentes simples se comunicando por meio da execução de código, com estruturas de grafo adicionadas posteriormente quando necessário. Isso frequentemente resulta em sistemas mais enxutos e mais eficazes para muitos casos de uso. Como cada agente só tem acesso ao estado de que precisa, o raciocínio, os testes e o debugging se tornam mais fáceis. Como resultado, tiramos o LangGraph de Adopt. Embora continue sendo uma ferramenta poderosa, não o vemos mais como a escolha padrão para construir todo sistema baseado em agentes.
LangGraph é um framework de orquestração para construir aplicações stateful multi-agente usando LLMs. Ele fornece primitivas de baixo nível, como nós e arestas, juntamente com features integradas que dão às pessoas desenvolvedoras controle granular sobre os workflows dos agentes, gerenciamento de memória e persistência de estado. Isso significa que as pessoas desenvolvedoras podem começar com um grafo pré-construído simples e escalar para arquiteturas de agentes complexas e em evolução. Com suporte para streaming, gerenciamento avançado de contexto e padrões de resiliência como fallbacks de modelo e tratamento de erros de ferramentas, o LangGraph permite construir aplicações agênticas robustas e de nível de produção. Sua abordagem baseada em grafos garante workflows previsíveis e customizáveis, e simplifica a encontrabilidade de erros e a escalabilidade. Nossos times tiveram ótimos resultados usando o LangGraph para construir sistemas multi-agente, graças ao seu design leve e modular.
LangGraph é um framework de orquestração projetado para criar aplicações multiagente com persistência de estado usando modelos de linguagem de grande porte (LLMs). Ele fornece um conjunto de primitivas de nível mais baixo, como nós e arestas, em comparação com as abstrações de nível mais alto do LangChain, oferecendo às desenvolvedoras controle mais detalhado sobre fluxos de agentes, gerenciamento de memória e persistência de estado. Essa abordagem baseada em grafos garante fluxos de trabalho previsíveis e personalizáveis, facilitando a depuração, escalabilidade e manutenção de aplicações em produção. Embora tenha uma curva de aprendizado mais íngreme, o design leve e modular do LangGraph o torna um framework poderoso para a criação de aplicações agentivas.
