Pular para o conteúdo
LabS Atlas
Agentic AI
Entrar
Sessões

Workshop Construindo Agentes de IA LangGraph Parte 1 Grafo Estado e Checkpoint (2026-04-09)

9 abr 20261h 15min
Assistir gravação

Entre para ler os trechos da transcrição de cada capítulo e perguntar ao Labinho sobre esta sessão.

O Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

atualizado há 25 dias
Resumo da sessão

A sessão apresentou os fundamentos do LangGraph, destacando sua relação com o LangChain e seu uso na construção de agentes e fluxos de IA. Foram explicados os cinco conceitos centrais: grafo, nós, arestas, estado e checkpoints. O grafo representa a estrutura geral do processo; os nós concentram funções, chamadas de modelos, ferramentas ou ações; e as arestas definem a sequência, incluindo caminhos condicionais e execuções paralelas. O LangGraph foi comparado ao N8N, ressaltando que, embora exija mais código e conhecimento de programação, oferece maior controle, modularidade, desempenho e flexibilidade para aplicações de produção.

Gerado por IA a partir da transcrição.
Capítulos · 26
08:36
Abertura e orientações do workshop
Assistir
10:37
Contexto do workshop: N8N e LangGraph
Assistir
14:56
Introdução ao LangGraph e ao LangChain
Assistir
17:10
Os cinco pilares do LangGraph
Assistir
19:22
Grafos, nós e estado compartilhado
Assistir
24:14
Nós: funções, LLMs, RAG e ferramentas
Assistir
27:06
Edges e caminhos condicionais
Assistir
29:24
Estado e manutenção de contexto
Assistir
33:25
Persistência e checkpoints
Assistir
36:39
Threads, histórico e retomada de execuções
Assistir
39:37
Erros, human-in-the-loop e arquitetura agentic
Assistir
45:09
Relação entre grafo, nós, edges e estados
Assistir
46:51
Estados, contexto e checkpoints
Assistir
51:22
Conceitos básicos do LangGraph
Assistir
52:35
Estado e execuções: LangGraph versus n8n
Assistir
53:50
Fluxo de mensagens e agregação de contexto
Assistir
56:24
Gerenciamento de contexto entre nós
Assistir
58:06
Instalação, custos e execução local
Assistir
59:23
Construção de grafos, nós e edges em Python
Assistir
1:03:15
LangGraph e n8n: abstração e escalabilidade
Assistir
1:04:37
Próxima sessão prática com agentes e checkpoints
Assistir
1:07:23
Automações sem IA e uso do LangGraph
Assistir
1:08:39
Desempenho e velocidade de execução
Assistir
1:10:01
Segurança, variáveis de ambiente e credenciais
Assistir
1:11:32
Uso com Java e outras stacks
Assistir
1:14:08
Encerramento e convite para a próxima sessão
Assistir
Cortes · 9
Conceitos fundamentais do LangGraph
Apresentação do LangGraph como framework para construção de agentes e sua relação com o LangChain. O trecho introduz os cinco pilares do LangGraph: graph, nodes, edges, state e checkpoints.
14:56 – 19:21Assistir
Grafos e nós no LangGraph
Explicação de como o LangGraph organiza o fluxo de um agente em grafos e nós. Os nós concentram funções, chamadas de LLM, RAG e ferramentas, enquanto o grafo define a sequência e a arquitetura da execução.
19:22 – 27:03Assistir
Edges, paralelismo e estado
O trecho apresenta as edges normais e condicionais, incluindo decisões de roteamento e execução paralela. Em seguida, explica o state como o elemento que preserva o contexto do agente ao longo dos nós.
27:06 – 33:24Assistir
Persistência, checkpoints e retomada de agentes
Explicação sobre memória persistente e checkpoints no LangGraph, incluindo a possibilidade de recuperar estados, corrigir falhas e retomar fluxos interrompidos. O trecho também relaciona thread, histórico de mensagens, human-in-the-loop, grafos, nós, edges e atualização de estados.
33:25 – 46:51Assistir
Estado e contexto em agentes
Explica como nós e estados podem armazenar mensagens, respostas, dados do usuário, resumos e métricas de atendimento. Também mostra como checkpoints permitem voltar a um nó para completar informações que ficaram faltando e como o LangGraph gerencia o contexto de uma execução.
46:51 – 58:05Assistir
Construindo um grafo com nós e funções
Apresenta a estrutura prática de um grafo: estado inicial, nós, funções e edges que conectam cada etapa. A explicação compara o fluxo ao n8n e mostra como uma função recebe o estado, executa uma ação e encaminha o resultado para o próximo nó.
59:23 – 1:03:16Assistir
LangGraph versus ferramentas visuais
Compara a abstração visual do n8n com o controle e a modularidade do LangGraph em código. O trecho também anuncia a próxima atividade prática, com Python, agentes, chamadas de LLM e integração com checkpoints, além de esclarecer que o grafo pode conter automações sem inteligência artificial.
1:03:16 – 1:07:23Assistir
Desempenho, segurança e variáveis de ambiente
Discute diferenças de desempenho entre n8n e LangGraph e explica como a abordagem em código oferece maior controle sobre autenticação, tokens e secrets. Mostra ainda o uso de variáveis de ambiente em projetos Python para evitar a exposição de credenciais.
1:08:39 – 1:11:37Assistir
Tecnologias alternativas para criar agentes
Esclarece que o conhecimento sobre agentes é mais importante do que uma tecnologia específica. O LangGraph pode ser usado com Python, JavaScript ou Java, incluindo o langgraph4j, permitindo que participantes apresentem soluções em diferentes stacks.
1:11:37 – 1:14:08Assistir
Perguntas desta sessão
O que é o LangChain e para que ele é utilizado na construção de aplicações com modelos de linguagem?
LangChain é um framework que simplifica a integração de aplicações com modelos de linguagem, abstraindo chamadas diretas aos modelos e oferecendo estruturas para chatbots e outras funcionalidades de IA. Ele pode ser usado com Python e JavaScript, sendo Python recomendado na sessão.
17:10 – 19:21Assistir
O LangGraph é gratuito e pode ser baixado para uso local?
O LangGraph é um framework Python de código aberto e sua estrutura pode ser instalada e executada gratuitamente, inclusive localmente. Podem existir custos relacionados ao modelo de IA e ao uso de APIs, mas no workshop foi fornecida uma chave da OpenAI, sem custo para os participantes.
58:06 – 59:03Assistir
O LangGraph é configurado por código ou oferece blocos visuais para arrastar?
O LangGraph é configurado principalmente por código: o fluxo é definido como um grafo com nós, que são funções, conectados por edges. A estrutura é semelhante à ligação de blocos, mas a implementação é programática.
59:04 – 1:03:16Assistir
O que significa `def` em Python no contexto dos nós do LangGraph?
`def` é a palavra-chave usada em Python para definir uma função. No LangGraph, essas funções podem ser usadas como nós que executam ações, fazem chamadas a APIs ou LLMs e retornam resultados ao fluxo.
1:01:02 – 1:01:09Assistir
É possível usar o LangGraph para construir etapas de execução sem depender de inteligência artificial?
Sim. O LangGraph pode conter qualquer automação, incluindo chamadas de API e outras funções, sem exigir que todas as etapas usem inteligência artificial.
1:07:09 – 1:07:34Assistir
Como o LangGraph pode proteger tokens, chaves de API e outras credenciais?
Como o LangGraph é usado em Python, as credenciais podem ser armazenadas em variáveis de ambiente, por exemplo com um arquivo `.env`, e acessadas pelo código sem expô-las ou incluí-las ao compartilhar o fluxo. Ao compartilhar o workflow, as credenciais não são enviadas.
1:09:45 – 1:11:55Assistir
O LangGraph pode ser usado com Java em vez de Python?
Sim. Existe o LangGraph4j, um porte do LangGraph para Java, que permite utilizar a mesma abordagem de grafos e agentes nessa linguagem.
1:13:13 – 1:13:25Assistir