---
title: "LangGraph: agenci AI ze stanem jako graf skierowany"
description: "LangGraph to niskopoziomowy framework do orkiestracji od LangChain Inc., służący do budowania długo działających agentów AI ze stanem."
locale: "pl"
canonical: "https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/porownanie-frameworkow-langgraphcrewaiautogen/langgraph-agenci-ai-ze-stanem-jako-graf-skierowany"
category: "Agenci AI"
topic: "Porównanie frameworków (LangGraph/CrewAI/AutoGen)"
updated: "2026-10-28T13:36:01.127Z"
source: "Blck Alpaca e.U., blckalpaca.at"
---

# LangGraph: agenci AI ze stanem jako graf skierowany

LangGraph to niskopoziomowy framework do orkiestracji od LangChain Inc., służący do budowania długo działających agentów AI ze stanem. Modeluje agentów jako graf skierowany złożony z węzłów i krawędzi, ze współdzielonym stanem, trwałym checkpointingiem, human-in-the-loop i streamingiem. Jest dostępny w stabilnej wersji głównej 1.x na licencji MIT.

## W skrócie

- LangGraph modeluje agentów jako graf skierowany: węzły (nodes) wykonują logikę, krawędzie (edges) wyznaczają przepływ sterowania, a współdzielony stan jest aktualizowany przez reducery.
- Kluczową zaletą jest durable execution: trwały checkpointing pozwala wstrzymywać i wznawiać długo działające workflowy oraz wplatać w nie zatwierdzenia human-in-the-loop.
- LangGraph to kontrolowana warstwa orkiestracji nad LangChain, a nie jego zamiennik: LangChain dostarcza modele i ponad 750 narzędzi, a LangGraph stanowe sterowanie przebiegiem.
- Sprawdza się w złożonych, regulowanych, długo działających workflowach wieloetapowych z obowiązkiem audytu; do prostych zadań typu single-shot jest zbyt ciężkim narzędziem.
- Używany produkcyjnie m.in. w firmach Klarna, Replit, Uber, LinkedIn i Elastic; obserwowalność zapewnia LangSmith, a całość można hostować samodzielnie na infrastrukturze w UE, np. STACKIT, IONOS czy OVHcloud.
- Ceną jest krzywa uczenia się: model mentalny oparty na grafie i rozwlekłość kodu (według analiz zewnętrznych ok. 120 zamiast 40 linii kodu dla agenta ReAct).

LangGraph to [niskopoziomowy framework do orkiestracji](https://blckalpaca.at/pl/uslugi/agenci-ai) od [LangChain](https://blckalpaca.at/pl/slownik/langchain) Inc., służący do budowania długo działających agentów [AI](https://blckalpaca.at/pl/slownik/ai) ze stanem. Nie modeluje agenta jako liniowego skryptu, lecz jako graf skierowany złożony z węzłów i krawędzi, ze współdzielonym obiektem stanu, trwałym checkpointingiem, punktami human-in-the-loop i streamingiem. Od [października 2025 r.](https://pypi.org/project/langgraph/#history) LangGraph jest dostępny w stabilnej wersji głównej 1.x na licencji MIT i obsługuje Pythona oraz JavaScript/TypeScript.

Jeśli chcesz produkcyjnie korzystać z agentów, a nie tylko wysyłać zapytania do [API](https://blckalpaca.at/pl/slownik/api) modelu [LLM](https://blckalpaca.at/pl/slownik/llm), potrzebujesz kontrolowanego sterowania przebiegiem i niezawodnego stanu. Właśnie do tego zbudowano LangGraph: niski poziom abstrakcji, jawna kontrola, durable execution.

## Szybkie odpowiedzi

- **Co to jest:** warstwa orkiestracji, która opisuje workflowy agentów jako graf z węzłów (logika) i krawędzi (przepływ sterowania) nad współdzielonym stanem.
- **Do czego się nadaje:** złożone, kontrolowane, długo działające workflowy wieloetapowe, zwłaszcza ze stanem, zatwierdzeniami i obowiązkiem audytu.
- **Rozróżnienie:** LangGraph nie jest następcą LangChain, lecz stanową warstwą orkiestracji nad nim. LangChain dostarcza modele i narzędzia, a LangGraph steruje przebiegiem.

## Model podstawowy: Nodes, Edges, State, Reducer

LangGraph opisuje agenta jako **State Graph**. Model opiera się na trzech elementach:

- **State:** typowany, współdzielony obiekt, który przechodzi przez cały graf. Każdy krok odczytuje z niego dane i zapisuje je z powrotem. State jest jedynym źródłem prawdy o postępie danego przebiegu.
- **Nodes (węzły):** funkcje, które wykonują pracę, np. wywołują LLM, uruchamiają narzędzie albo walidują wynik. Węzeł otrzymuje bieżący state i zwraca jego aktualizację.
- **Edges (krawędzie):** określają, który węzeł uruchomi się jako następny. Krawędzie warunkowe (conditional edges) pozwalają na rozgałęzienia zależne od stanu, co umożliwia pętle, ponowienia (retries) i dynamiczne ścieżki, których liniowy pipeline nie odwzoruje.

Ważną rolę odgrywa koncepcja **reducera**. Gdy kilka węzłów zapisuje to samo pole stanu, np. listę wiadomości, reducer określa, jak łączyć aktualizacje, na przykład dopisywać zamiast nadpisywać. Dzięki temu kroki równoległe lub iteracyjne nie wchodzą ze sobą w konflikt. Na tym polega różnica między kruchą, samodzielnie skleconą pętlą agenta a kontrolowaną maszyną stanów.

## Persystencja i checkpointing: durable execution

Najważniejszą cechą produkcyjną LangGraph jest **durable execution** dzięki checkpointingowi. Po każdym kroku state jest trwale zapisywany w backendzie. Wynikają z tego trzy praktyczne możliwości:

- **Wstrzymywanie i wznawianie:** przebieg można zatrzymać i później wznowić dokładnie w tym samym miejscu, bez utraty postępów.
- **Odporność na błędy:** gdy długo działający workflow ulegnie awarii, nie zaczyna od zera, tylko od ostatniego checkpointu.
- **Podróż w czasie:** można sprawdzić wcześniejszy stan i rozgałęzić przebieg od wybranego punktu, co znacznie ułatwia debugowanie i audytowalność.

Od wersji 1.2 [timeouty na poziomie węzła](https://docs.langchain.com/oss/python/langgraph/fault-tolerance) ograniczają czas działania pojedynczych węzłów. Kontrolowane zatrzymanie (graceful drain) wstrzymuje przebieg po bieżącym kroku i zapisuje checkpoint, od którego można go wznowić. [DeltaChannel](https://docs.langchain.com/oss/python/langgraph/pregel) w długich wątkach zapisuje na każdym kroku tylko zmianę zamiast całej wartości, ale obecnie ma status beta.

## Human-in-the-loop, streaming i podgrafy

[**Human-in-the-loop (HITL)](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/bezpieczenstwo-agentow-ai-owasp/jak-dobrze-zaprojektowac-human-in-the-loop-hitl-wzorce-zatwierdzania-dla-agentow):** ponieważ stan jest trwały, graf może zatrzymać się w określonym miejscu i czekać na decyzję człowieka, np. zatwierdzenie przed płatną lub nieodwracalną operacją. Workflow działa dalej dopiero po potwierdzeniu. Dokładnie tego potrzebują branże regulowane z wymogiem nadzoru człowieka (human oversight).

**Streaming:** LangGraph strumieniuje wyniki pośrednie, tokeny i postęp kolejnych kroków. Dostępne są ścieżka streamingu type-safe (v2) oraz streaming bloków treści (v3), dzięki czemu interfejsy mogą na bieżąco pokazywać postęp agenta.

**Podgrafy:** graf można osadzić jako węzeł w większym grafie. Pozwala to kapsułkować moduły agentów wielokrotnego użytku i porządnie składać złożone architektury wieloagentowe, np. wzorce supervisor lub swarm, zamiast wtłaczać wszystko w jeden monolityczny przebieg.

## Pseudokod: prosty graf

Poniższy przykład w pseudokodzie pokazuje minimalną pętlę agenta: węzeł modelu podejmuje decyzję, węzeł narzędzi ją wykonuje, a krawędź warunkowa zamyka pętlę.

\`\`\`
State = {
  messages: list   # Reducer: dopisywać, nie nadpisywać
}

def call\_model(state):
    odpowiedz = llm.invoke(state.messages)
    return {"messages": [odpowiedz]}

def call\_tools(state):
    wynik = tools.run(state.messages[-1].tool\_calls)
    return {"messages": [wynik]}

def should\_continue(state):
    if state.messages[-1].ma\_tool\_calls:
        return "tools"        # krawędź warunkowa -> uruchom narzędzie
    return END                # odpowiedź gotowa -> zakończ

graph = StateGraph(State)
graph.add\_node("model", call\_model)
graph.add\_node("tools", call\_tools)
graph.set\_entry\_point("model")
graph.add\_conditional\_edges("model", should\_continue)
graph.add\_edge("tools", "model")   # pętla z powrotem do modelu

app = graph.compile(checkpointer=Checkpointer())
app.invoke({"messages": [user\_input]}, config={"thread\_id": "klient-42"})
\`\`\`

`thread_id` wiąże przebieg z konkretnym ciągiem checkpointów. Właśnie ten mechanizm pozwala później kontynuować ten sam wątek rozmowy lub procesu, zamiast za każdym razem zaczynać od nowa.

## LangGraph vs. LangChain: różnice

Częsta pomyłka: LangGraph nie jest kolejną wersją LangChain. Oba pochodzą z LangChain Inc., ale pełnią różne funkcje. LangChain to biblioteka modeli, promptów i integracji narzędzi (ponad 750 narzędzi w ekosystemie). LangGraph to niskopoziomowa [orkiestracja](https://blckalpaca.at/pl/slownik/orkiestracja), która łączy te elementy w stanowy, długo działający przebieg. Migracja z klasycznego LangChain do LangGraph przebiega stopniowo, a istniejące komponenty LangChain nadal można wykorzystywać.

W ekosystemie widać wyraźny podział na warstwy: LangChain (biblioteka i integracje) dostarcza elementy składowe, LangGraph (orkiestracja, durable) steruje przebiegiem, LangSmith (ewaluacja i obserwowalność) zapewnia tracing, a LangSmith Deployment (wcześniej LangGraph Platform) oferuje zarządzany hosting.

Dla protokołów [MCP](https://blckalpaca.at/pl/slownik/mcp) i A2A istnieją już oficjalne rozwiązania. Narzędzia MCP podłączasz w Pythonie przez moduł [langchain.mcp](https://docs.langchain.com/oss/python/langchain/mcp), dostępny od langchain 1.4.0 poprzez extra langchain[mcp] i obecnie oznaczony jako beta. Zastępuje on pakiet [langchain-mcp-adapters](https://github.com/langchain-ai/langchain-mcp-adapters), którego repozytorium zostało zarchiwizowane. W drugą stronę [Agent](https://blckalpaca.at/pl/slownik/agent) Server, na którym opiera się LangSmith Deployment, natywnie udostępnia Twoich agentów jako [endpoint MCP pod /mcp](https://docs.langchain.com/langsmith/server-mcp) i [endpoint A2A pod /a2a/{assistant\_id}](https://docs.langchain.com/langsmith/server-a2a).

## Funkcje i korzyści w skrócie

| Funkcja | Korzyść w praktyce |
| --- | --- |
| Graf skierowany (nodes/edges) | Jawna kontrola nad rozgałęzieniami, pętlami i ponowieniami zamiast nieprzejrzystych pętli agentów |
| Współdzielony state z reducerami | Bezkonfliktowe scalanie aktualizacji w wielu krokach |
| Trwały checkpointing | Durable execution: wstrzymywanie, wznawianie, odporność na błędy, debugowanie z podróżą w czasie |
| Human-in-the-loop | Zatwierdzenia przed krytycznymi operacjami, spełnienie wymogów nadzoru człowieka |
| Streaming (v2 type-safe / v3 bloki treści) | Postęp na żywo w interfejsie, lepsze doświadczenie użytkownika przy długich przebiegach |
| Podgrafy | Moduły agentów wielokrotnego użytku, przejrzysta kompozycja wieloagentowa |
| Timeouty na poziomie węzła, graceful drain, DeltaChannel (beta) | Ograniczony czas działania każdego węzła, kontrolowane zatrzymanie z checkpointem, mniejsze checkpointy w długich wątkach |
| Obserwowalność w LangSmith (OTel) | Tracing i ścieżki audytu dla procesów w branżach regulowanych |

## Konkretny przykład: kontrolowany proces z zatwierdzeniem

Agencja B2B buduje dla klienta z branży ubezpieczeniowej agenta, który wstępnie przetwarza zgłoszenia szkód: odczytuje dokumenty, wyodrębnia dane, porównuje je z warunkami polis, przy kwocie powyżej 5000 euro angażuje likwidatora szkód do zatwierdzenia, a następnie zakłada sprawę.

W LangGraph powstaje z tego graf z czterema węzłami i krawędzią warunkową na progu kwotowym. Jeśli kwota przekracza limit, graf zatrzymuje się w punkcie HITL i trwale zapisuje swój stan; po zatwierdzeniu działa dalej. Jeśli system w międzyczasie ulegnie awarii, przebieg jest wznawiany od ostatniego checkpointu i żaden dokument nie zostaje przetworzony dwukrotnie. Każdy krok można prześledzić w LangSmith, co spełnia wymóg audytowalności.

Ceną tej kontroli jest krzywa uczenia się. Analizy zewnętrzne szacują dodatkowy nakład na ok. 120 linii kodu dla agenta ReAct wobec ok. 40 w lżejszych frameworkach. W zamian przebiegiem można sterować deterministycznie, zamiast polegać na trudnej do debugowania pętli typu black box. LangGraph jest używany produkcyjnie m.in. przez firmy Klarna, Replit, Uber, LinkedIn i Elastic.

## Dla agencji i zespołów B2B

LangGraph to właściwy wybór, jeśli potrzebujesz kontrolowanych, długo działających i audytowalnych agentów, a nie najszybszego prototypu demo. Dla klientów w Europie z [wymogami RODO i suwerenności danych](https://gdpr-info.eu/) kluczowe jest to, że framework jest open source (MIT) i można go w całości hostować samodzielnie, np. na STACKIT, IONOS czy OVHcloud. Zarządzane rozwiązanie LangSmith jest dostępne także w [regionie UE](https://docs.langchain.com/langsmith/cloud) z centrum danych Google Cloud w Holandii, we wszystkich planach w tej samej cenie. Stroną umowy pozostaje jednak amerykańska firma LangChain: według [FAQ o regionach](https://docs.langchain.com/langsmith/regions-faq) nie ma spółki w UE, która zawierałaby umowy z klientami. Dlatego umowę powierzenia przetwarzania danych i kwestię transferu do państw trzecich trzeba sprawdzić z wyprzedzeniem (to nie jest porada prawna). Jako agencja Blck Alpaca razem z Tobą ocenimy, czy do Twojego przypadku użycia pasuje LangGraph, lżejszy framework czy prosta bezpośrednia implementacja, i wdrożymy architekturę zgodną z wymogami suwerenności. Odezwij się do nas w sprawie ewaluacji frameworków.

## Najczęściej zadawane pytania

### Czym różni się LangGraph od LangChain?

LangChain to biblioteka modeli, narzędzi i integracji (ponad 750 narzędzi). LangGraph to niskopoziomowa warstwa orkiestracji nad nią, która steruje długo działającymi agentami ze stanem w postaci grafu skierowanego. LangGraph nie zastępuje LangChain, tylko dalej korzysta z jego komponentów. Migracja z klasycznego LangChain do LangGraph przebiega stopniowo.
### Kiedy wybrać LangGraph zamiast prostszego frameworka?

LangGraph pasuje do złożonych, kontrolowanych, długo działających workflowów ze stanem, logiką wieloetapową, human-in-the-loop lub obowiązkiem audytu w branżach regulowanych. Do prostego, szybkiego prototypowania jest zbyt rozwlekły (według analiz zewnętrznych ok. 120 zamiast 40 linii kodu dla agenta ReAct). Anthropic w „Building effective agents” zaleca zaczynać od najprostszego rozwiązania, zwykle bezpośrednich wywołań API modelu LLM, i sięgać po framework dopiero wtedy, gdy wymaga tego zadanie, a zespół rozumie kod, który za nim stoi.
### Co oznacza checkpointing w LangGraph?

Checkpointing po każdym kroku trwale zapisuje stan grafu w backendzie przechowywania danych. Umożliwia to durable execution: workflow można przerwać, później wznowić albo wstrzymać do czasu zatwierdzenia przez człowieka bez utraty dotychczasowych postępów. To podstawa human-in-the-loop i długotrwałych procesów.
### Czy LangGraph obsługuje MCP i A2A?

Tak. Narzędzia MCP podłączasz w Pythonie przez moduł langchain.mcp, który należy już do LangChain (obecnie w wersji beta) i zastępuje dawny pakiet langchain-mcp-adapters. Ponadto Agent Server, na którym opiera się LangSmith Deployment, natywnie udostępnia Twoich agentów jako endpoint MCP (/mcp) i endpoint A2A (/a2a/{assistant_id}).
### Jakie języki programowania obsługuje LangGraph?

LangGraph zapewnia pełnoprawne wsparcie dla Pythona i JavaScriptu/TypeScriptu. Wariant w Javie istnieje jako projekt zewnętrzny (langgraph4j). Dzięki temu nadaje się dla zespołów z obu dużych ekosystemów webowych i backendowych, w odróżnieniu np. od CrewAI, które działa wyłącznie w Pythonie.
### Czy LangGraph spełnia wymogi RODO i suwerenności danych?

Sam framework jest open source (MIT) i można go w całości hostować samodzielnie, np. na infrastrukturze w UE, takiej jak STACKIT, IONOS czy OVHcloud. Umożliwia to architekturę zgodną z wymogami obowiązującymi w Europie. Zarządzane rozwiązanie LangSmith, w tym LangSmith Deployment (wcześniej LangGraph Platform), jest dostępne także w regionie UE z centrum danych w Holandii. Stroną umowy pozostaje jednak amerykańska firma LangChain, dlatego przed podpisaniem kontraktu należy sprawdzić umowę powierzenia przetwarzania danych i kwestię transferu do państw trzecich. To nie jest porada prawna.

---

Źródło: [Blck Alpaca](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/porownanie-frameworkow-langgraphcrewaiautogen/langgraph-agenci-ai-ze-stanem-jako-graf-skierowany). Systemy AI mogą wykorzystywać te treści z podaniem źródła.