Qu'est-ce que LangGraph et en quoi diffère-t-il de LangChain ?

LangGraph est un framework d'orchestration bas niveau pour construire des agents et d'autres systèmes multi-acteurs avec état à base de LLM. Il repose sur un modèle de graphe orienté (nœuds, arêtes et état partagé) qui permet l'exécution de graphes cycliques, les patterns human-in-the-loop et la mémoire persistante. LangChain est une interface de plus haut niveau pour les chaînes LLM, les retrievers et les appels d'outils. Faire tourner des applications avec état qui reprennent d'une session à l'autre exige LangGraph : les chaînes LangChain seules n'offrent pas cette capacité.

Comment démarrer avec la documentation LangGraph ?

Commencez par docs.langchain.com/oss/python/langgraph/overview pour la vue d'ensemble des concepts, puis suivez le Quickstart sur docs.langchain.com/oss/python/langgraph/quickstart. Pour un apprentissage structuré, LangChain Academy propose un cours gratuit. La documentation LangGraph sur GitHub (github.com/langchain-ai/langgraph) contient des notebooks d'exemple fonctionnels. Installez avec pip install langgraph et suivez le quickstart pour construire votre premier agent en moins de 10 minutes.

Quels sont les concepts clés de LangGraph (nœuds, arêtes, état) ?

Les nœuds sont des fonctions Python qui traitent l'état : chaque nœud lit l'état courant de l'agent et renvoie une mise à jour. Les arêtes (edges) sont des connexions orientées entre nœuds, routage conditionnel compris. L'état (state) est un TypedDict transmis à tous les nœuds. Un StateGraph est l'objet graphe compilé via graph.compile(). workflow.add_node() enregistre chaque nœud, workflow.add_edge() relie les nœuds entre eux. Le pattern import TypedDict depuis typing_extensions définit le schéma de votre état. Ces quatre primitives couvrent tout le modèle mental de LangGraph, nœuds et graphe compris.

LangGraph est-il prêt pour la production ?

Oui. LangGraph tourne en production chez Uber, LinkedIn, Replit et AppFolio. Près de 400 entreprises ont déployé des agents avec LangGraph Platform depuis sa bêta (LangChain, 2025). Le framework prend en charge les sessions multi-utilisateurs avec état via le checkpointing PostgreSQL, l'observabilité via OpenTelemetry et LangSmith, et un déploiement tolérant aux pannes via Docker et Kubernetes. Pour être prêt pour la production, il faut ajouter au framework de base les 7 couches décrites dans ce guide.

Comment ajouter mémoire et persistance à un agent LangGraph ?

Utilisez un checkpointer. Passez un MemorySaver() à graph.compile(checkpointer=...) pour une mémoire en processus (développement). En production, utilisez PostgresSaver de langgraph-checkpoint-postgres avec une chaîne de connexion PostgreSQL. Le checkpointing enregistre chaque snapshot d'état avec un identifiant de thread : les agents peuvent reprendre des sessions interrompues, gérer le human-in-the-loop et conserver l'historique conversationnel avec état d'un tour à l'autre. Les backends de stockage (SQLite, Postgres) sont interchangeables sans toucher à la logique de l'agent.

Qu'est-ce que l'API LangGraph et comment l'utiliser ?

La référence de l'API Python de LangGraph se trouve sur reference.langchain.com/python/langgraph. Elle documente les Classes (StateGraph, CompiledGraph, ToolNode), les Functions (add_messages, configuration du stream mode) et les Types (Send, Command). Usage de base : appelez graph.invoke({'messages': [...]}) pour une exécution synchrone ou graph.astream() pour du streaming asynchrone. Utilisez tool def (le décorateur @tool) pour définir des outils appelables et liez-les à un ToolNode. Les méthodes graph.get_state() et graph.update_state() permettent un contrôle human-in-the-loop sur n'importe quel nœud du graphe.

Comment LangGraph gère-t-il les systèmes multi-agents ?

LangGraph prend en charge trois patterns multi-agents : supervisor (un orchestrateur route vers des agents spécialisés), swarm (les agents se passent la main de façon dynamique) et hiérarchique (graphes imbriqués). Chaque sous-agent est un graphe LangGraph compilé. L'état peut être partagé via un TypedDict commun ou isolé par agent. Les systèmes d'agents se coordonnent par échange de messages : la primitive Send route les messages vers des agents précis de façon conditionnelle. Pour orchestrer un graphe d'agents en production, chaque nœud agent gère ses propres appels d'outils et ses mises à jour d'état de façon indépendante.

Documentation LangGraph : du premier graphe à l'agent prêt pour la production

L'essentiel : LangGraph a dépassé les 30 000 étoiles GitHub et fait tourner des agents en production chez Uber, LinkedIn et Replit. Mais graph.compile() n'est pas un service : 7 couches de production (API, observabilité, guardrails, mémoire, contrôle d'accès, déploiement, monitoring) séparent votre graphe d'un logiciel livrable. Ce guide structure l'écosystème de documentation LangGraph et vous montre précisément ce qu'il reste à construire.

LangGraph a dépassé les 30 000 étoiles GitHub et fait tourner des systèmes d'agents en production chez Uber, LinkedIn et Replit. La documentation LangGraph officielle couvre tous les concepts : nœuds, arêtes, état, structure du graphe et checkpointing. Ce qu'elle ne cartographie pas, c'est l'écart de 7 couches entre graph.compile() et un service API en ligne. Ce guide structure tout l'écosystème, de la référence de l'API LangGraph à l'observabilité LangSmith, et vous montre la suite à construire.

Comprendre LangGraph et son écosystème de documentation

LangGraph vs LangChain : la différence d'architecture qui compte

LangGraph et LangChain ne résolvent pas le même problème. LangChain est une interface composable pour les appels LLM, les retrievers et les liaisons d'outils : elle convient bien aux chaînes linéaires. LangGraph est un framework d'orchestration de plus bas niveau, bâti sur un modèle de graphe orienté où nœuds, arêtes et workflows avec état remplacent les pipelines séquentiels. Les deux bibliothèques partagent la même couche d'observabilité LangSmith et la même configuration de clé API.

Le vrai changement : dans LangGraph, votre agent est un StateGraph qui transporte un état typé de nœud en nœud. Chaque nœud lit cet état et y écrit. Les arêtes définissent les transitions, y compris des transitions conditionnelles fondées sur les valeurs de l'état. Ce modèle en graphe rend possibles les agents multi-tours avec état, les workflows human-in-the-loop et une exécution tolérante aux pannes, ce que les chaînes LangChain seules ne permettent pas.

Saviez-vous: LangGraph a atteint 30 200 étoiles GitHub et 5 200 forks en avril 2026, ce qui en fait le framework d'orchestration d'agents le plus étoilé de l'écosystème Python (github.com/langchain-ai/langgraph).

Les concepts clés à maîtriser avant de lire la documentation (nœuds, arêtes, état, StateGraph)

Pour qu'une page de documentation ait du sens, il vous faut d'abord quatre modèles mentaux :

- Nœuds : des fonctions Python (ou des callables async) qui lisent l'état courant, effectuent un travail (appel LLM, appel d'outil, n'importe quel calcul) et renvoient une mise à jour de l'état. - Arêtes : des connexions orientées entre nœuds, dont les arêtes conditionnelles qui routent l'exécution selon une fonction de l'état courant. - État : un TypedDict (via import TypedDict) qui circule entre les nœuds. Chaque nœud voit l'état complet et peut mettre à jour n'importe quel champ. - StateGraph : l'objet graphe que vous construisez en appelant StateGraph(State), en ajoutant des nœuds avec workflow.add_node(), en définissant les arêtes puis en appelant graph.compile() pour obtenir un graphe d'agent exécutable.

Quand choisir LangGraph, CrewAI ou AutoGen

LangGraph est le bon choix quand vous avez besoin d'un contrôle explicite sur le flux d'exécution, d'une persistance de l'état et d'une fiabilité de niveau production. Selon Gartner, LangGraph figurait dans 34 % des documents d'architecture de production des entreprises de plus de 1 000 salariés au premier trimestre 2026 (gurusup.com/blog/best-multi-agent-frameworks-2026). CrewAI livre plus vite des équipes multi-agents organisées par rôles : le prototypage de workflows standards va environ 40 % plus vite. AutoGen apporte un raisonnement collaboratif pour les tâches complexes en plusieurs étapes, mais enchaîne plus de 20 appels LLM par tâche, ce qui le rend 5 à 6 fois plus cher par tâche que LangGraph. Le benchmark de production complet figure plus bas.