LangGraph
Ir para notas que citam estaLangGraph é um framework open source em Python para construir agentes de IA como grafos de nós e arestas, com estado compartilhado e persistência entre execuções.
O nome junta Lang, de LangChain, e Graph, o conceito em torno do qual todo o agente é construído. O LangGraph é um braço do LangChain, mantido pela mesma empresa. O LangChain abstrai a integração do código com modelos de linguagem, com estruturas de mensagens e conectores de modelo prontos; o LangGraph funciona sem ele, mas reaproveita essas abstrações, e abrir mão delas significaria mais trabalho manual. Enquanto o LangChain é um kit para montar como quiser, o LangGraph já dá forma ao fluxo de como os agentes se comportam.
Os cinco pilares do framework
Todo agente em LangGraph se apoia em cinco conceitos. O grafo é a estrutura que define a arquitetura inteira; os nós são funções onde fica a inteligência (chamada de LLM, busca em base de conhecimento, ações); as arestas decidem o caminho entre os nós, de forma fixa ou condicional. Esses três estão detalhados em Grafo de Agentes. O estado é o dicionário tipado que carrega o contexto de nó em nó, e os checkpoints salvam esse estado em banco de dados, amarrado a um identificador de conversa, para que ele sobreviva ao fim da execução.
O que ele dá em relação a escrever o laço à mão
O ganho principal é controle explícito do fluxo. Cada decisão é um if que se pode ler e alterar, loops e condicionais são simples de escrever, e uma aresta pode disparar execuções em paralelo (os super steps). O desenho do grafo funciona como barreira: se um nó não tem aresta que leve até ele, o agente nunca chega lá, e uma validação que falha pode bloquear as etapas seguintes sem depender do prompt.
O segundo ganho é retomada. Se um fluxo de dez minutos quebra no meio, por exemplo com uma chamada de API que devolve 404, o checkpoint permite voltar ao ponto salvo e tentar de novo, em vez de recomeçar do zero. A pausa para confirmação humana antes de uma ação sensível, o human in the loop, é nativa, por meio de uma função de interrupção.
O terceiro é inspeção. O estado de cada nó está acessível, a execução pode ser observada nó a nó, e recursos de time travel e versionamento de grafo ajudam a achar o ponto em que o processo quebrou.
Nada disso exige LLM em todas as etapas: automações e chamadas de API comuns cabem no grafo, e um agente em LangGraph conversa com sistemas externos, inclusive fluxos de outras ferramentas, por uma API comum. Num teste informal, um fluxo que levava cerca de 50 segundos a 1 minuto numa ferramenta visual rodou em cerca de 20 a 30 segundos no LangGraph.
O que ele cobra
É tudo código, sem blocos para arrastar. Pede Python e lógica de programação consolidada, e leva mais tempo de desenvolvimento do que montar um fluxo visual. A documentação oficial já foi difícil de entender; melhorou bastante, mas ainda carrega problemas herdados do LangChain. Ficar no ecossistema Lang traz integrações prontas com ferramentas de observabilidade e, ao mesmo tempo, prende o time a esse ecossistema.
O framework em si é gratuito e pode rodar localmente; o custo real vem das chamadas ao modelo, pagas por token. Como é Python puro, credenciais ficam num arquivo .env que não é versionado, carregado com python-dotenv, como em qualquer projeto Python que sobe para desenvolvimento ou produção. Quem prefere Java tem o LangGraph4j, uma porta do framework para essa linguagem.
Quando escolher LangGraph
Uma ferramenta visual como o N8N baixa a barreira de entrada e serve para validar ideias depressa. O LangGraph é indicado quando o agente precisa de escala, controle fino e maturidade de produção. Os critérios lado a lado estão em N8N versus LangGraph.
Um caminho comum é prototipar um fluxo na ferramenta visual e depois reescrevê-lo em LangGraph mantendo a mesma arquitetura de agentes: os conceitos são os mesmos, muda a forma de expressá-los.