📊 LangGraph: controle total com grafos

O LangGraph e uma extensao do LangChain que permite modelar workflows de agentes como grafos dirigidos com estado. Em vez de definir agentes com papeis (como no CrewAI), voce define nos (funcoes que processam estado), arestas (conexoes que definem o fluxo) e um estado tipado (TypedDict ou Pydantic model) que flui pelo grafo. Essa abordagem oferece controle maximo sobre cada passo da execucao.

A filosofia do LangGraph e explicitude sobre conveniencia. Enquanto CrewAI abstrai o fluxo com metaforas de equipe, LangGraph expoe cada decisao de roteamento como codigo. Isso significa mais trabalho na configuracao inicial, mas total transparencia e controle sobre o comportamento do sistema. Para workflows complexos com muitas condicoes, loops e pontos de aprovacao humana, LangGraph e a escolha predominante em 2026 — especialmente em organizacoes que precisam de auditabilidade completa.

Um no (node) no LangGraph e simplesmente uma funcao Python que recebe o estado atual, processa e retorna uma atualizacao do estado. O estado e um dicionario tipado (geralmente um TypedDict) que carrega toda a informacao necessaria para o workflow. Cada no pode ser um agente LLM, uma ferramenta, uma validacao de negocio ou qualquer logica Python — nao ha restricao sobre o que acontece dentro do no.

A beleza dos nos esta na composicao. Voce pode ter um no que chama um LLM para classificar uma mensagem, seguido por um no que executa codigo baseado na classificacao, seguido por um no que valida o resultado. Cada no e uma funcao Python testavel e reutilizavel. Isso torna o LangGraph particularmente atrativo para equipes de engenharia que valorizam testes unitarios, code review e manutencao a longo prazo.

As arestas (edges) definem como o controle flui entre nos. Existem dois tipos: arestas fixas (o no A sempre vai para o no B) e arestas condicionais (uma funcao examina o estado e decide para qual no ir). As arestas condicionais sao onde a logica de roteamento vive — e o equivalente a um "if/else" ou "switch" no fluxo do grafo.

O poder das arestas condicionais esta na flexibilidade. Voce pode criar roteamento baseado em classificacao de intencao ("se o usuario quer suporte, va para o no de suporte"), baseado em qualidade ("se o score de confianca e menor que 0.8, va para o no de revisao") ou baseado em estado ("se ja tentamos 3 vezes, va para o no de fallback"). Esse controle explicito e o que diferencia LangGraph de frameworks mais opinados — nada e magico, tudo e codigo que voce pode inspecionar e testar.

O checkpointing e um dos recursos mais poderosos do LangGraph para producao. A cada transicao entre nos, o estado completo do grafo e automaticamente salvo em um backend de persistencia (SQLite, PostgreSQL, Redis). Se a execucao falha no meio — timeout de API, crash do servidor, rate limit — voce pode retomar exatamente de onde parou, sem reprocessar os nos anteriores.

Para swarms de longa duracao que podem levar minutos ou horas para completar, checkpointing e essencial. Imagine um workflow de revisao de documentos com 15 etapas: sem checkpointing, uma falha na etapa 12 forca voce a recomecar do zero. Com checkpointing, voce retoma da etapa 12 com todo o estado preservado. O custo adicional de persistencia e negligivel comparado ao custo de reprocessar chamadas de LLM.

O human-in-the-loop do LangGraph permite inserir pontos de aprovacao humana em qualquer lugar do grafo. Usando a funcao interrupt(), voce pausa a execucao do workflow e aguarda input do usuario. O estado e automaticamente salvo via checkpointing, e quando o humano responde (minutos, horas ou dias depois), a execucao retoma exatamente de onde parou.

Esse recurso e fundamental para cenarios de governanca: antes de executar uma transacao financeira, o agente pausa e pede aprovacao humana. Antes de enviar um email importante, o agente mostra o rascunho para revisao. Antes de fazer deploy em producao, o agente apresenta o plano e espera confirmacao. O human-in-the-loop transforma agentes autonomos em sistemas de colaboracao homem-maquina com nivel de confianca adequado para enterprise.

Para workflows muito complexos, o LangGraph permite compor grafos dentro de grafos usando subgraphs. Um supervisor e um no que contem um subgrafo inteiro — ele recebe estado, executa o subgrafo completo e retorna o resultado. Isso permite criar hierarquias onde um supervisor de alto nivel coordena supervisores de area, cada um com seus proprios agentes especializados.

Na pratica, voce pode ter um supervisor principal com tres subgrafos: "pesquisa" (com agentes de busca e analise), "desenvolvimento" (com agentes de codigo e teste) e "documentacao" (com agentes de escrita e revisao). Cada subgrafo e um LangGraph completo com seus proprios nos, arestas e logica. O supervisor principal decide qual subgrafo acionar baseado na tarefa. Essa composicao permite escalar para sistemas muito complexos mantendo cada parte gerenciavel.