LangGraph
Ir para notas que citam estaLangGraph é um framework em Python, do ecossistema LangChain, que orquestra agentes como um grafo: nós são agentes ou ferramentas e arestas fixas ou condicionais definem o fluxo.
Criado pelo mesmo time do LangChain, ele é o caminho que a documentação do LangChain recomenda para construir agentes, tratando o agente feito só com LangChain como legado. Na essência, o LangGraph é um gerenciador de estado de um fluxo: nada nele exige inteligência artificial, e o mesmo mecanismo serve para controlar qualquer sequência de etapas.
Nós, arestas e pontos de entrada e saída
Um nó pode ser um agente, que chama um modelo de linguagem, ou uma tool, uma função Python comum sem LLM, capaz de gravar um arquivo JSON, salvar num banco de dados ou chamar uma API externa. Todo nó recebe o estado e devolve o estado atualizado.
As arestas ligam os nós de dois jeitos. A aresta fixa, desenhada como linha sólida, sempre leva ao mesmo próximo nó. A condicional, pontilhada, chama uma função Python que examina o estado e retorna qual nó executar em seguida. Uma forma típica dessa função: se o campo lido for uma lista, pega o item mais recente; extrai o conteúdo da mensagem, converte para JSON e lê o atributo que indica o próximo agente ou se a revisão passou; se não houver dado, encaminha para o fim. O grafo também exige um ponto de entrada e um ou mais pontos de saída declarados explicitamente.
Um fluxo de interpretação de histórias de usuário ilustra o desenho: um analisador decide entre seguir para o intérprete ou encerrar, quando a entrada não é uma história de usuário; o intérprete passa sempre ao revisor; o revisor devolve feedback ao intérprete ou libera uma tool que grava o JSON de saída, que segue para o nó final. Esse laço é um Loop de Validação entre Agentes.
Estado compartilhado como memória do fluxo
O estado é um dicionário Python que todos os nós leem e escrevem, na mesma lógica de guardar e atualizar estado do Redux no front-end. Ele começa vazio e acumula o input do usuário, as respostas dos agentes e os artefatos identificados. O contexto de um agente é um subconjunto desse estado com só os campos de que ele precisa. Diferente do CrewAI, que repassa automaticamente o output de uma task à seguinte, no LangGraph cada nó só vê o que estiver definido para ler.
Um limite de iterações impede que o fluxo circule pelos nós sem chegar ao fim, evitando laço infinito e consumo contínuo de tokens de APIs pagas. Para laços de revisão, valores em torno de 3 são recomendados.
Limitações e cuidados
- Formato de saída sem garantia estrita. O modelo pode ser configurado para responder em JSON, mas nada impede que ignore o schema pedido. O output parser do ecossistema LangChain ajuda a validar e repetir a geração, porém não vem habilitado por padrão, e uma versão antiga dele não recebe mais manutenção. Ver Saída Estruturada de LLMs.
- Documentação escassa e confusa. Entender grafos é fácil; implementar é nebuloso. O aprendizado tende a depender de vídeos de terceiros.
- Código manual cresce rápido. Até um hello world é extenso, e com dezenas de agentes a criação de nós e arestas chega a cerca de mil linhas para metade deles. O Registro de Agentes por Dicionário resolve isso.
- Diagrama automático. O framework desenha o grafo a partir do código, mas a imagem fica ilegível com dezenas de nós.
Fluxo explícito, prompt livre e CrewAI
Numa abordagem só com prompt, o agente decide livremente que etapas usar. No LangGraph os caminhos possíveis ficam fixados no grafo e a escolha acontece em cada nó, a partir do resultado que o próprio agente gerou, o que facilita prever o comportamento e tratar fluxos alternativos, como encerrar quando a entrada foge do tema.
O CrewAI entrega uma orquestração pronta, mais simples de começar e menos flexível, com mais dependências para configurar. O LangGraph impõe pouca estrutura, concentra quase toda a lógica em dois arquivos (grafo e estado) e escala adicionando um nó que implementa a mesma interface dos demais, seu prompt e suas arestas.