Como vimos anteriormente, o LangChain oferece ferramentas para trabalhar com LLMs de forma geral. Você pode usá-lo em várias partes do seu código, porém, quando precisamos lidar com fluxos de dados mais complexos, o LangGraph torna tudo bem mais simples e organizado.
Em vez de encadear chamadas de forma rígida, no LangGraph trabalhamos no formato de grafo (graph). Isso significa que temos nós (nodes) conectados por arestas (edges).
- Nós (nodes) - funções que executam uma ação (podem chamar uma LLM ou só rodar código).
- Arestas (edges) - determinam qual nó será executado em seguida.
- Podem ser condicionais (conditional edges), apontando para diferentes nós dependendo de uma condição.
Outro ponto importante: os grafos do LangGraph trabalham com estado. Cada nó recebe o estado como entrada e pode retornar o estado atualizado.
Veja um exemplo de grafo simples:
- State - define o estado do grafo (pode ser um
TypedDict, umadataclassou um modeloPydantic). - Nodes - funções que recebem o estado como input, executam ações e retornam o estado atualizado.
- Edges - conexões entre nós, podendo ser simples ou condicionais.
Observação: estamos falando do mínimo necessário aqui. Em aulas futuras vamos detalhar melhor as nuances, principalmente na parte de estado.
Chega de teoria por agora e vamos analisar dois códigos:
- Um grafo simples apenas com estado, nós e arestas - ex003_1.py
- Um grafo exatamente como a imagem deste texto, com estado, nós, arestas e arestas condicionais - ex003_2.py