O que são LangChain e LangGraph?

LangChain e LangGraph são frameworks open source para Python (também com suporte a JavaScript) para construir aplicações sobre grandes modelos de linguagem: de um RAG simples a agentes de IA com ferramentas, memória e fluxos com ramificações. LangChain oferece blocos (modelos, prompts, chains, retrievers); LangGraph é um grafo de estados para fluxos de agentes complexos, onde é preciso controlo, ciclos e confirmação humana. Abaixo - como diferem, quando escolher cada um e o que o negócio deve observar.

• LangChain - biblioteca de componentes: LLM, prompts, chains, embeddings, pesquisa vetorial, tools
• LangGraph - orquestração via grafo de nós: estado, ramos, ciclos, retry, human-in-the-loop
• Chain - pipeline fixo «entrada → passos → resposta»
• Agente - o modelo decide que ferramenta chamar e quando parar
• Não substitui o modelo - o framework não torna GPT/Claude «mais inteligente»; ajuda a ligar APIs, dados e lógica
• Prática - RAG/FAQ simples costuma bastar com LangChain; rotas de suporte complexas e multiagente são terreno do LangGraph

O que é LangChain em palavras simples

Uma chamada à API do modelo é «perguntar → responder». Um produto real é mais amplo: ir buscar documentos à base de conhecimento, chamar o CRM, verificar um pedido, guardar histórico, contar tokens e evitar que o modelo alucine «de memória».

LangChain é um conjunto de abstrações sobre fornecedores (OpenAI, Anthropic, Gemini, LLMs locais e outros) para não reescrever o mesmo glue code à mão:

Fluxo típico no LangChain: o utilizador pergunta → o retriever encontra trechos da documentação → o prompt junta pergunta + contexto → o modelo responde com fontes. É o RAG clássico, e para muitos casos de negócio basta.

O que é LangGraph e como complementa o LangChain

LangGraph é uma biblioteca do mesmo ecossistema LangChain para construir aplicações de agentes como grafo: nós executam passos, arestas definem transições e há um estado partilhado que se atualiza pelo caminho.

Porquê um grafo se já existem chains:

1. Ramificação - se a confiança é baixa → escalar para um humano; se o cliente pede reembolso → outro cenário.
2. Ciclos - o agente chama uma ferramenta, lê o resultado, pensa de novo, chama outra vez.
3. Controlo - pontos de paragem explícitos, retry, limites de passos; menos «caixa negra».
4. Multiagente - vários papéis (investigador, editor, moderador) passam o resultado uns aos outros.
5. Human-in-the-loop - antes de enviar um email ao cliente ou debitar dinheiro, o sistema espera confirmação do operador.

Em resumo: LangChain = peças do construtor, LangGraph = esquema de montagem do mecanismo complexo. Muitas vezes usam-se juntos: os nós do grafo chamam modelos, retrievers e tools do ecossistema LangChain.

LangChain vs LangGraph: quando escolher o quê

Regra prática: comece pelo pipeline mais simples. Se a lógica já parece um fluxograma com condições e ciclos - passe ao grafo, em vez de acumular «cadeias de if num ficheiro».

Como é um stack típico

Conjunto mínimo de trabalho para o negócio:

• Modelo - GPT / Claude / Gemini ou local via Ollama;
• LangChain - prompts, retriever, tools;
• Armazenamento vetorial - para embeddings e pesquisa de conhecimento;
• LangGraph (quando necessário) - orquestração do agente e ramos;
• Observabilidade - logs de passos, latência, custo de tokens, tracing de erros;
• Integrações - CRM, helpdesk, bot Telegram, BD interna.

Importante: o framework não substitui dados limpos nem produto. Base de conhecimento fraca + LangGraph forte continua a dar respostas fracas. A estimativa do custo de um sistema RAG e de um agente de IA chave na mão quase sempre esbarra em dados, integrações e controlo de qualidade - não só na escolha da biblioteca.

Prós e contras para um projeto

Prós:

• protótipos rápidos em Python;
• integrações prontas com LLMs e BD vetoriais populares;
• um estilo de código para prompts, tools e RAG;
• LangGraph torna o esquema do agente explícito - mais fácil explicar ao cliente e depurar;
• ecossistema maduro, muitos exemplos e documentação.

Contras e riscos:

• custo de abstração: um principiante pode afundar-se em camadas quando 50 linhas de API direta bastariam;
• as APIs do ecossistema mudam - fixe versões e acompanhe breaking changes;
• agentes com ciclos disparam o gasto de tokens sem limites;
• sem testes e evals o produto degrada em silêncio;
• nem todo caso de negócio precisa de agente - muitas vezes um script determinístico + LLM num passo é melhor.

Quando o negócio precisa disto - e quando é cedo

Faz sentido se:

• constrói RAG, assistente ou agente sobre os seus dados e APIs;
• a equipa já escreve Python/JS e quer um quadro padrão, não scripts ad-hoc;
• precisa de ramos, confirmação humana e cenários multistep (LangGraph);
• planeia manter o produto durante meses - a arquitetura explícita compensa.

Pode adiar se:

• a tarefa resolve-se com uma ou duas chamadas API e um bom prompt;
• não há base de conhecimento nem integrações estáveis - o framework não salva dados vazios;
• a equipa ainda não domina a chamada básica a LLM nem embeddings;
• só precisa de um chatbot no-code sem lógica custom.

Conclusão

LangChain é uma forma de montar aplicações LLM com blocos prontos: modelos, prompts, RAG, tools. LangGraph é uma forma de orquestrar lógica complexa de agentes como grafo de estados com ramos, ciclos e pontos de controlo. Para FAQ e pesquisa em documentos, LangChain costuma bastar; para agentes de suporte, processos multistep e human-in-the-loop, desenhe o fluxo em LangGraph desde o início. A escolha da biblioteca é secundária face à qualidade dos dados, métricas e orçamento de tokens - mas o quadro certo poupa meses de caos no código.

Perguntas frequentes

LangChain e LangGraph são produtos diferentes ou a mesma coisa?

São um ecossistema ligado: LangChain fornece componentes, LangGraph orquestra fluxos complexos. Podem usar-se em separado, mas na prática os nós do grafo costumam chamar modelos e tools do LangChain. Pense em «blocos + planta», não num «ou isto ou aquilo» estrito, quando o cenário complica.

Preciso de LangGraph para um RAG normal?

Não necessariamente. O RAG clássico (pergunta → pesquisa → resposta) faz-se bem com LangChain ou até com chamadas API diretas + BD vetorial. LangGraph ajuda quando sobre o RAG surgem ramos, reperguntas, vários agentes, ciclos de verificação ou confirmação humana obrigatória.

Em que um agente LangGraph difere de «só chamar o ChatGPT»?

Uma chamada ao ChatGPT é uma resposta do modelo dentro de uma janela de contexto. Um agente LangGraph pode chamar tools muitas vezes, atualizar estado, ramificar por condições e parar para o operador. Está mais perto de um motor de workflow com LLM dentro do que de um chat normal.

Melhor Python ou JavaScript?

Para backend, data pipelines e a maioria dos exemplos do ecossistema costuma escolher-se Python. JavaScript/TypeScript encaixa se o agente vive junto do stack Node do site. Funcionalmente são parecidos; escolha a linguagem da equipa e do serviço onde embute o LLM.

Quanto custa implementar LangChain / LangGraph?

O framework é open source - paga-se pelas APIs dos modelos, infraestrutura (BD vetorial, hosting) e desenvolvimento/operação. Um protótipo RAG pode fechar-se em dias com orçamento modesto de tokens; um agente de produção com CRM, monitorização e evals é um projeto de semanas com orçamento de agente relevante. O principal custo oculto são ciclos sem limite e contexto inchado.