LangGraph a été lancé il y a près de deux ans comme un framework d'agents de bas niveau, déjà adopté par des entreprises telles que LinkedIn, Uber et Klarna pour construire des agents prêts pour la production. Ce framework s'appuie sur les retours du très populaire LangChain et repense la manière dont les frameworks d'agents doivent fonctionner en production. L'objectif était de trouver la bonne abstraction pour les agents IA, en se concentrant sur le contrôle et la durabilité plutôt que sur l'abstraction elle-même. Cet article partage les principes de conception et l'approche de LangGraph basée sur ce qui a été appris sur la construction d'agents fiables.
LangGraph a été conçu pour répondre aux besoins spécifiques des agents, qui diffèrent des logiciels traditionnels. Les trois différences clés identifiées sont la latence accrue, la difficulté de réessayer des tâches longues en cas d'échec, et la nature non déterministe des IA nécessitant des points de contrôle et des tests. Pour gérer la latence, LangGraph propose des fonctionnalités telles que la parallélisation et le streaming. Pour la fiabilité, il inclut une file d'attente des tâches et des points de contrôle. Enfin, pour gérer la nature non déterministe des IA, il offre des outils de supervision humaine et de traçage.