LangGraph: Stateful Agents ako Directed Graph

LangGraph je low-level orchestračný framework od LangChain Inc. na budovanie dlhobežiacich, stavových AI agentov. Modeluje agenta nie ako lineárny skriptový beh, ale ako orientovaný graf z uzlov a hrán so zdieľaným state objektom, perzistentným checkpointingom, human-in-the-loop bodmi a streamingom. Aktuálna je verzia 1.2.0 (stav máj 2026), licencia je MIT, podporované sú Python a JavaScript/TypeScript.

Kto chce prevádzkovať agentov produktívne nad rámec čistých LLM API volaní, potrebuje kontrolované riadenie behu so spoľahlivým stavom. Práve na to je LangGraph postavený: nízka úroveň abstrakcie, explicitná kontrola, durable execution.

Rýchle odpovede

• Čo to je: Orchestračná vrstva, ktorá opisuje agentské workflow ako graf z uzlov (logika) a hrán (tok riadenia) nad zdieľaným stavom.
• Na čo sa hodí: Komplexné, kontrolované, dlhobežiace multi-step workflow, najmä so stavom, schvaľovaniami a povinnosťou auditu.
• Vymedzenie: LangGraph nie je nástupca LangChain, ale stavová orchestrácia nad ním. LangChain dodáva modely a nástroje, LangGraph beh.

Jadrový model: Nodes, Edges, State, Reducer

LangGraph opisuje agenta ako State Graph. Model nesú tri stavebné prvky:

• State: Typovaný, zdieľaný objekt, ktorý putuje celým grafom. Každý krok číta zo stavu a zapisuje späť. State je jedinou pravdou o pokroku behu.
• Nodes (uzly): Funkcie, ktoré vykonávajú prácu, napríklad zavolať LLM, spustiť nástroj alebo validovať výsledok. Uzol dostane aktuálny stav a vráti state update.
• Edges (hrany): Určujú, ktorý uzol pobeží ako ďalší. Podmienené hrany (conditional edges) umožňujú vetvenia podľa stavu, takže sú možné slučky, retries a dynamické cesty, ktoré lineárna pipeline neznázorní.

Dôležitý je koncept reducera. Keď viaceré uzly zapisujú do toho istého poľa stavu, napríklad zoznam správ, reducer stanovuje, ako sa updaty zlúčia, napríklad pripojiť namiesto prepísať. Tak ostávajú paralelné alebo iteratívne kroky bez konfliktov. To je rozdiel medzi krehkým, svojpomocne postaveným agentským loopom a kontrolovaným stavovým automatom.

Perzistencia a checkpointing: durable execution

Najdôležitejšou produkčnou vlastnosťou LangGraph je durable execution cez checkpointing. Po každom kroku sa stav perzistuje do backendu. Z toho vyplývajú tri praktické schopnosti:

• Pozastavenie a pokračovanie: Beh možno zastaviť a neskôr presne tam opäť obnoviť bez straty pokroku.
• Odolnosť voči chybám: Ak dlhobežiace workflow spadne, neštartuje od nuly, ale od posledného checkpointu.
• Cestovanie v čase: Skorší stav možno inšpektovať a beh znovu rozvetviť od určitého bodu, čo výrazne uľahčuje debugging a auditovateľnosť.

LangGraph na to prináša vyspelé mechanizmy, vrátane DeltaChannel a per-node timeouts (graceful drain), ktoré sú dokumentované v aktuálnych vydaniach.

Human-in-the-Loop, streaming, subgraphs

Human-in-the-Loop (HITL): Keďže stav je perzistentný, graf sa môže na definovanom mieste zastaviť a čakať na ľudské rozhodnutie, napríklad schválenie pred spoplatnenou alebo nezvratnou akciou. Až po potvrdení beží workflow ďalej. To je presne to, čo potrebujú regulované odvetvia s požiadavkou na human oversight.

Streaming: LangGraph streamuje medzivýsledky, tokeny a pokrok krokov. K dispozícii je type-safe streaming cesta (v2) a content-block streaming (v3), takže UI môžu zobrazovať pokrok agenta naživo.

Subgraphs: Graf možno vnoriť ako uzol do väčšieho grafu. Tak sa dajú zapuzdriť opätovne použiteľné agentské moduly a čisto komponovať komplexné multi-agent architektúry ako supervisor alebo swarm vzory, namiesto vtláčania všetkého do monolitického behu.

Pseudokód: jednoduchý graf

Nasledujúci pseudokódový príklad ukazuje minimálny agentský loop: uzol modelu rozhoduje, uzol nástroja vykonáva, podmienená hrana uzatvára slučku.

```
State = {
messages: list # Reducer: pripojit, nie prepisat
}

def call_model(state):
odpoved = llm.invoke(state.messages)
return {"messages": [odpoved]}

def call_tools(state):
vysledok = tools.run(state.messages[-1].tool_calls)
return {"messages": [vysledok]}

def should_continue(state):
if state.messages[-1].ma_tool_calls:
return "tools" # podmienena hrana -> spustit nastroj
return END # odpoved hotova -> ukoncit

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") # slucka spat k modelu

app = graph.compile(checkpointer=Checkpointer())
app.invoke({"messages": [user_input]}, config={"thread_id": "zakaznik-42"})
```

thread_id viaže beh na checkpoint vlákno. Práve tento mechanizmus umožňuje neskôr pokračovať v tom istom konverzačnom alebo procesnom vlákne, namiesto začínania zakaždým odznova.

LangGraph vs. LangChain: vymedzenie

Častá zámena: LangGraph nie je ďalšia verzia LangChain. Oba pochádzajú od LangChain Inc., plnia však rozdielne úlohy. LangChain je knižnica pre modely, prompty a integrácie nástrojov (vyše 750 nástrojov v ekosystéme). LangGraph je low-level orchestrácia, ktorá tieto stavebné prvky spája do stavového, dlhobežiaceho behu. Migrácia z klasického LangChain na LangGraph prebieha inkrementálne, existujúce LangChain komponenty ostávajú použiteľné.

V ekosystéme vzniká jasné vrstvenie: LangChain (knižnica a integrácie) dodáva stavebné prvky, LangGraph (orchestrácia, durable) riadi beh, LangSmith (eval a observability) dodáva tracing a LangGraph Platform resp. LangSmith Deployment ponúka managed hosting.

Feature a úžitok v prehľade

Konkrétny príklad: kontrolovaný proces so schválením

B2B agentúra buduje pre poisťovacieho klienta agenta, ktorý predspracúva hlásenia škôd: čítať dokumenty, extrahovať dáta, preverovať voči poistkám, pri hranici sumy nad 5 000 eur zapojiť referenta na schválenie, potom založiť prípad.

S LangGraph z toho vznikne graf so štyrmi uzlami a jednou podmienenou hranou na prahovej hodnote. Ak suma prekročí hranicu, graf sa zastaví na HITL bode a perzistuje svoj stav; po schválení beží ďalej. Ak systém medzitým vypadne, pokračuje sa od posledného checkpointu, žiadny dokument sa nespracuje dvakrát. Každý krok je sledovateľný v LangSmith, čím sa spĺňa auditovateľnosť.

Cenou tejto kontroly je hĺbka učenia. Analýzy tretích strán vyčísľujú dodatočnú náročnosť na približne 120 riadkov kódu pre ReAct agenta oproti zhruba 40 v ľahších frameworkoch. Zato je beh deterministicky riaditeľný namiesto ťažko debugovateľného black-box loopu. LangGraph nasadzujú v produkcii okrem iného Klarna, Replit, Uber, LinkedIn a Elastic.

Pre agentúry a B2B tímy

LangGraph je správna voľba, keď potrebujete kontrolovaných, dlhobežiacich a auditovateľných agentov, nie najrýchlejší demo prototyp. Pre DACH klientov s požiadavkou na DSGVO a suverenitu je rozhodujúce: framework je open source (MIT) a plne self-hostovateľný, napríklad na STACKIT, IONOS alebo OVHcloud. Managed riešenie LangSmith je US-based, tu treba vopred vyjasniť stav EU dátovej rezidencie (žiadne právne poradenstvo). Ako agentúra Blck Alpaca s vami vyhodnotíme, či sa pre váš use-case hodí LangGraph, ľahší framework alebo štíhle priame riešenie, a architektúru implementujeme v súlade so suverenitou. Oslovte nás pre evaluáciu frameworku.