3 anos de LangGraph: o que a engenharia de grafos ensinou sobre agentes de IA

O que é “graph engineering”

O termo “graph engineering” surgiu no X (Twitter) neste fim de semana, juntando-se a prompt engineering, context engineering, harness engineering e loop engineering na fábrica de buzzwords da IA. Apesar de soar como mais um termo da moda, ele descreve um padrão real: representar sistemas agentivos como grafos — com nós que executam trabalho e arestas que definem transições — para obter mais controle sobre o comportamento de agentes de IA.

A equipe do LangChain, que construiu o LangGraph há três anos exatamente com essa intuição, publicou uma retrospectiva das lições aprendidas. Hoje o LangGraph é baixado 65 milhões de vezes por mês e usado por startups e enterprises.

Modelando agentes como grafos

Em um grafo, os nós executam trabalho — pode ser código determinístico, uma chamada de LLM, uma tool call, ou um agente completo com seu próprio loop interno. As arestas definem o que acontece depois — algumas são determinísticas, outras condicionais, baseadas no resultado de um nó, no estado atual ou em algum sinal externo.

Fluxos de trabalho reais frequentemente têm estrutura previsível: um agente de suporte classifica o problema antes de responder ou escalar, um agente de código inspeciona o repositório antes de propor mudanças, um fluxo de compliance exige aprovação antes de uma ação externa. Grafos permitem codificar essa estrutura diretamente — onde o modelo decide e onde o sistema deve impor comportamento determinístico.

Quando usar — e quando não usar

Use grafos quando o fluxo de trabalho tiver estágios bem definidos. Um agente de base de conhecimento com três subagentes (GitHub, Notion, Slack) tem três estágios fixos: classificar, buscar, sintetizar. O resultado é código e raciocínio do modelo trabalhando juntos: o modelo raciocina onde agrega valor, o código cuida do resto, e o agente fica mais barato, mais rápido e mais previsível.

Não use grafos quando a tarefa for inerentemente agentiva. Pesquisa profunda genérica é o exemplo canônico: um agente de pesquisa precisa planejar, delegar, buscar, ler e sintetizar de maneiras difíceis de definir antecipadamente. O LangChain construiu pesquisa profunda inicial com workflows LangGraph predefinidos, depois migrou para um loop agentivo mais flexível. O GPT Researcher fez o mesmo movimento, trocando seu pipeline multi-agente por Deep Agents.

O que o LangChain aprendeu em 3 anos

• Agentes em produção precisam de ciclos: re-tentar tool calls que falharam, pedir informações faltantes ao usuário, revisar respostas após validação, pausar para input humano antes de continuar. Loops são parte central de sistemas agentivos — eles provavelmente não são DAGs.
• Human-in-the-loop não é opcional: os sistemas mais confiáveis em produção intercalam etapas determinísticas com pontos de intervenção humana. O grafo torna explícito onde o humano entra — antes de enviar um email, antes de executar uma transação financeira, antes de publicar código.
• Persistência é o recurso subestimado: manter estado entre execuções, retomar de onde parou e ter histórico completo de decisões é o que separa um demo de um sistema de produção. O LangGraph construiu isso como primitiva de primeira classe.

A retrospectiva deixa claro que o debate não é grafos versus agentes — é sobre entender qual parte do problema se beneficia de estrutura determinística e qual se beneficia de liberdade agentiva. A resposta, como quase tudo em engenharia de software com IA, é: depende do que você está construindo.