Estado em escala
Como o LangGraph.js 1.5.1 combina as escritas em uma chave do estado: campos de StateSchema com e sem reducer, a ordem das escritas em paralelo, Overwrite e UntrackedValue.
Estado em grande escala, Command e Send, subgrafos, viagem no tempo, loops que resistem e loops que param, planejamento, deep agents e tarefas que atravessam várias sessões.
Para desenvolvedores que já sabem criar sistemas de agentes. Você trabalha com grafos grandes e seu estado, roteia com Command e Send, volta e ramifica execuções, cria loops que se recuperam de falhas e sabem quando parar, compara padrões de planejamento e roda um harness de deep agents numa tarefa longa. Cada laboratório roda o LangGraph.js 1.5.1 real no seu navegador, com um modelo roteirizado. O harness de deep agents é recriado, e as telas dizem isso.
Como o LangGraph.js 1.5.1 combina as escritas em uma chave do estado: campos de StateSchema com e sem reducer, a ordem das escritas em paralelo, Overwrite e UntrackedValue.
Um nó pode atualizar o estado e escolher o próximo nó em um só passo com Command, e distribuir o trabalho entre workers em paralelo com Send, quantos o modelo pedir.
Monte equipes de agentes com subgrafos, decida como elas compartilham o estado, leia seus namespaces no stream e compare padrões multiagente por chamadas ao modelo e tokens.
Cada superstep salva um checkpoint, então você pode ler o histórico de uma execução, repetir a partir de um passo passado, editar um estado passado e bifurcar um segundo final.
Políticas de nova tentativa, timeouts, handlers de erro e checkpoints mantêm uma execução longa de pé quando uma ferramenta falha ou o processo para.
Um loop precisa de paradas que valem não importa o que o modelo faça: um limite de recursão, um orçamento de chamadas, um detector de chamadas repetidas e uma pessoa que pode dizer não.
Plan-and-execute, ReWOO e LLMCompiler planejam o trabalho antes de fazê-lo, e diferem em chamadas ao modelo, supersteps e tempo.
Loops avaliador-otimizador, reflexão, best-of-n e busca em árvore gastam mais chamadas ao modelo para chegar a uma resposta melhor, e cada um precisa de um orçamento.
Um deep agent planeja com uma lista de afazeres, guarda notas em arquivos virtuais, passa partes de um trabalho a subagentes com um contexto novo e pausa antes das ferramentas que você nomear.
Um trabalho que se estende por várias sessões precisa de compactação dentro de uma sessão, arquivos de passagem e memória entre sessões, e uma verificação de toda a sua trajetória.