As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
LangChain e LangGraph
LangChainé uma das estruturas mais estabelecidas no ecossistema de IA agente. LangGraphamplia seus recursos para oferecer suporte a fluxos de trabalho de agentes complexos e dinâmicos, conforme descrito no LangChain Blog.
Principais características de LangChain e LangGraph
LangChaine LangGraph inclua os seguintes recursos principais:
-
Ecossistema de componentes — Ampla biblioteca de componentes pré-construídos para vários recursos de agentes autônomos, permitindo o rápido desenvolvimento de agentes especializados. Para obter mais informações, consulte a documentação do LangChain
. -
Seleção de modelos básicos — Suporte para diversos modelos de fundação, incluindo modelos Anthropic Claude, Amazon Nova (Premier, Pro, Lite e Micro) no Amazon Bedrock e outros para diferentes capacidades de raciocínio. Para obter mais informações, consulte Entradas e saídas
na LangChain documentação. -
Integração da API LLM — Interfaces padronizadas para vários provedores de serviços de modelo de linguagem grande (LLM), incluindo Amazon Bedrock e outrosOpenAI, para implantação flexível. Para obter mais informações, consulte a LLMs
documentação do LangChain. -
Processamento multimodal — Suporte integrado para processamento de texto, imagem e áudio para permitir interações ricas com agentes autônomos multimodais. Para obter mais informações, consulte Multimodalidade
na LangChain documentação. -
Fluxos de trabalho baseados em gráficos — LangGraph permitem definir comportamentos complexos de agentes autônomos como máquinas de estado, suportando uma lógica de decisão sofisticada. Para obter mais informações, consulte o anúncio da LangGraphPlatform GA
. -
Abstrações de memória — Várias opções para gerenciamento de memória de curto e longo prazo, o que é essencial para agentes autônomos que mantêm o contexto ao longo do tempo. Para obter mais informações, consulte Como adicionar memória aos chatbots
na LangChain documentação. -
Integração de ferramentas — Ecossistema rico de integrações de ferramentas em vários serviços e ampliando APIs as capacidades de agentes autônomos. Para obter mais informações, consulte Ferramentas
na LangChain documentação. -
LangGraph plataforma — Solução gerenciada de implantação e monitoramento para ambientes de produção, oferecendo suporte a agentes autônomos de longa duração. Para obter mais informações, consulte o anúncio da LangGraphPlatform GA
.
Quando usar LangChain e LangGraph
LangChaine LangGraph são particularmente adequados para cenários de agentes autônomos, incluindo:
-
Fluxos de trabalho complexos de raciocínio em várias etapas que exigem orquestração sofisticada para tomada de decisão autônoma
-
Projetos que precisam de acesso a um grande ecossistema de componentes e integrações pré-construídos para diversas capacidades autônomas
-
Equipes com infraestrutura e experiência Python em aprendizado de máquina (ML) existentes que desejam criar sistemas autônomos
-
Casos de uso que exigem gerenciamento complexo de estados em sessões de agentes autônomos de longa duração
Abordagem de implementação para LangChain e LangGraph
LangChaine LangGraph forneça uma abordagem de implementação estruturada para as partes interessadas da empresa, conforme detalhado na LangGraphdocumentação
-
Defina gráficos de fluxo de trabalho sofisticados que representem os processos de negócios.
-
Crie padrões de raciocínio em várias etapas com pontos de decisão e lógica condicional.
-
Integre recursos de processamento multimodal para lidar com diversos tipos de dados.
-
Implemente o controle de qualidade por meio de mecanismos integrados de revisão e validação.
Essa abordagem baseada em gráficos permite que as equipes de negócios modelem processos de decisão complexos como fluxos de trabalho autônomos. As equipes têm uma visibilidade clara de cada etapa do processo de raciocínio e a capacidade de auditar os caminhos de decisão.
Exemplo real de e LangChainLangGraph
Vodafoneimplementou agentes autônomos usando LangChain (eLangGraph) para aprimorar seus fluxos de trabalho de engenharia de dados e operações, conforme detalhado em seu estudo de caso LangChain corporativo
A Vodafone implementação usa carregadores de documentos LangChain modulares, integração vetorial e suporte para vários LLMs (OpenAI, LLaMA 3 eGemini) para prototipar e comparar rapidamente esses pipelines. Em seguida, LangGraph costumavam estruturar a orquestração de vários agentes implantando subagentes modulares. Esses agentes realizam tarefas de coleta, processamento, resumo e raciocínio. LangGraphintegrou esses agentes APIs em seus sistemas em nuvem.
