LangGraph: Budoucnost orchestrace AI agentů

Hlavní příčinou selhání agentů první generace (2023) byl nedostatek spolehlivé správy stavu. Lineární řetězce promptů jsou křehké – pokud selže jeden krok, celý proces se zhroutí. Frameworky jako CrewAI často skrývají viditelnost stavu, což ztěžuje ladění toho, proč se agent dostal do smyčky nebo halucinoval výstup nástroje.

V roce 2025 prochází oblast podnikové AI zásadním posunem. Éra stochastických chatbotů ustoupila dominanci Agentové AI – systémů, které plánují, uvažují, vykonávají a ověřují komplexní pracovní toky. Black-box orchestrační frameworky se ukazují jako nedostatečné pro produkční nasadení, kde jsou determinizmus a auditovatelnost kritické.

Organizace dnes vyžadují systémy s jemnozrnnou kontrolou nad stavem, explicitní odolností vůči chybám a ověřitelnými řetězci uvažování – schopnosti, které jsou často zahmleny v abstrakcích vysoké úrovně starších frameworků.

LangGraph řeší problémy předchozí generace odhalením architektury jako Orientovaného Cyklického Grafu (DCG). Uzly jsou funkce – například 'Zavolej LLM' nebo 'Parsování výstupu'. Hrany definují tok s podporou podmíněné logiky: 'Pokud je jistota > 0.9, jdi na Konec; jinak jdi na WebSearch'.

Na rozdíl od lineárních řetězců nebo volných skupin autonomních agentů LangGraph modeluje chování jako graf, kde uzly představují výpočtové kroky (volání LLM, vykonání nástroje) a hrany reprezentují řídící tok a přechody stavů. Tato definující charakteristika umožňuje cyklické topologie – agent může opakovat neúspěšné volání nástroje, zpřesnit vyhledávací dotaz nebo vstoupit do vícekolové interakce.

V LangGraph je State sdílená datová struktura (často TypedDict nebo Pydantic model), která se předává mezi uzly. To poskytuje absolutní transparentnost o tom, jaká data agent v daném momentě vlastní. Schéma stavu umožňuje operace typu append-only (přidávání zpráv do historie) nebo overwrite (aktualizace shrnutí).

Checkpointy ukládají stav v každém kroku. To umožňuje 'cestování v čase' – převinutí agenta do předchozího stavu na inspekci selhání nebo větvení exekuční cesty. Pokud výpadek API zastaví dlouhotrvající výzkumnou úlohu, graf může být obnoven z přesného bodu selhání po obnovení API, bez ztráty pokroku.

Pro podnikové klienty v oblasti auditu nebo práva je tato sledovatelnost neodiskutovatelná. Každé rozhodnutí agenta je zaznamenáno, každý stav je rekonstruovatelný.

Zatímco decentralizované 'roje' agentů jsou populární ve výzkumu, podnikové workflow typicky vyžadují hierarchickou kontrolu. LangGraph usnadňuje implementaci Supervisor Pattern – uzol 'Supervisor' (poháněný modelem jako GPT-o3 nebo Claude 4 Sonnet) analyzuje požadavek uživatele a směruje ho na specializované pracovní uzly.

Pracovníci vykonají svou úlohu a vrátí výstup do stavu. Supervisor potom rozhodne o dalším kroku: směrování na jiného pracovníka, agregace výsledků nebo odpověď uživateli. Tento vzor přesně kopíruje strukturu 'Audit & Process Agency' – umožňuje konstrukci digitální hierarchie, která replikuje lidské manažerské struktury.

Zatímco LangGraph řídí tok, PydanticAI se etabluje jako framework na definování struktury a rozhraní jednotlivých agentů. Vybudovaný týmem za knihovnou Pydantic, upřednostňuje produkční spolehlivost. PydanticAI vynucuje přísnou validaci schémat na vstupech i výstupech generovaných LLM.

Místo parsování surového textu nebo spoléhání na křehké regulární výrazy, PydanticAI nutí LLM dodržovat definovaný Pydantic model. Pro službu 'AI Účetník' to znamená, že extrahovaná data z faktury vždy obsahují povinná pole (invoice_id, total_amount, currency) ve správných datových typech.

Pokud LLM vygeneruje data porušující schéma (záporné číslo pro věk), PydanticAI automaticky zachytí chybu a vyzve model na opravu – robustní samoopravná smyčka na mikro-úrovni.

Supervisor Agent (GPT-o3/Claude Opus 4.5) funguje jako dispečer a přijímá soubor faktury. OCR Agent využívá multimodální schopnosti na extrakci strukturovaných dat (Datum, Dodavatel, Položky) z PDF a validuje schéma pomocí Pydantic. Policy Agent kontroluje, zda výdaj neporušuje firemní politiku (alkohol > 50 €, víkendový výdaj). Reconciliation Agent se dotazuje ERP přes MCP, zda existuje odpovídající objednávka.

Workflow: Supervisor pošle PDF na OCR. Po přijetí dat je pošle paralelně na Policy a Reconciliation. Agreguje výsledky. Pokud OCR selže v kontrole spolehlivosti, graf přesměruje úlohu do fronty 'Manuální revize'. Žádná ztracená data, plná sledovatelnost, kompletní audit trail.

Pro generování vysoce kvalitních výstupů (právní návrhy, smlouvy) je nevyhnutelný vzor Evaluator-Optimizer. Generátor navrhne klauzuli, Evaluátor ji kritizuje podle specifických kritérií (jasnost, riziko, stručnost), Optimalizátor přijme kritiku a přepíše klauzuli. Cyklus pokračuje, dokud skóre od Evaluátora nepřekročí prahovou hodnotu.

V LangGraph je toto modelováno jako cyklus mezi dvěma uzly s podmíněnou hranou kontrolující skóre. Tento vzor zajišťuje konzistentně vysokou kvalitu výstupů bez nutnosti lidské intervence v každé iteraci.