LangGraph: Budúcnosť orchestrácie AI agentov

Hlavnou príčinou zlyhania agentov prvej generácie (2023) bol nedostatok spoľahlivej správy stavu. Lineárne reťazce promptov sú krehké – ak zlyhá jeden krok, celý proces sa zrúti. Frameworky ako CrewAI často skrývajú viditeľnosť stavu, čo sťažuje ladenie toho, prečo sa agent dostal do slučky alebo halucinoval výstup nástroja.

V roku 2025 prechádza oblasť podnikovej AI zásadným posunom. Éra stochastických chatbotov ustúpila dominancii Agentovej AI – systémov, ktoré plánujú, uvažujú, vykonávajú a overujú komplexné pracovné toky. Black-box orchestračné frameworky sa ukazujú ako nedostatočné pre produkčné nasadenie, kde sú determinizmus a auditovateľnosť kritické.

Organizácie dnes vyžadujú systémy s jemnozrnnou kontrolou nad stavom, explicitnou odolnosťou voči chybám a overiteľnými reťazcami uvažovania – schopnosti, ktoré sú často zahmlené v abstrakciách vysokej úrovne starších frameworkov.

LangGraph rieši problémy predchádzajúcej generácie odhalením architektúry ako Orientovaného Cyklického Grafu (DCG). Uzly sú funkcie – napríklad 'Zavolaj LLM' alebo 'Parsovanie výstupu'. Hrany definujú tok s podporou podmienenej logiky: 'Ak je istota > 0.9, choď na Koniec; inak choď na WebSearch'.

Na rozdiel od lineárnych reťazcov alebo voľných skupín autonómnych agentov LangGraph modeluje správanie ako graf, kde uzly predstavujú výpočtové kroky (volanie LLM, vykonanie nástroja) a hrany reprezentujú riadiaci tok a prechody stavov. Táto definujúca charakteristika umožňuje cyklické topológie – agent môže opakovať neúspešné volanie nástroja, spresniť vyhľadávací dopyt alebo vstúpiť do viackolovej interakcie.

V LangGraph je State zdieľaná dátová štruktúra (často TypedDict alebo Pydantic model), ktorá sa odovzdáva medzi uzlami. To poskytuje absolútnu transparentnosť o tom, aké dáta agent v danom momente vlastní. Schéma stavu umožňuje operácie typu append-only (pridávanie správ do histórie) alebo overwrite (aktualizácia zhrnutia).

Checkpointy ukladajú stav v každom kroku. To umožňuje 'cestovanie v čase' – previnutie agenta do predchádzajúceho stavu na inšpekciu zlyhania alebo vetvenie exekučnej cesty. Ak výpadok API zastaví dlhotrvajúcu výskumnú úlohu, graf môže byť obnovený z presného bodu zlyhania po obnovení API, bez straty pokroku.

Pre podnikových klientov v oblasti auditu alebo práva je táto sledovateľnosť neoddiskutovateľná. Každé rozhodnutie agenta je zaznamenané, každý stav je rekonštruovateľný.

Zatiaľ čo decentralizované 'roje' agentov sú populárne vo výskume, podnikové workflow typicky vyžadujú hierarchickú kontrolu. LangGraph uľahčuje implementáciu Supervisor Pattern – uzol 'Supervisor' (poháňaný modelom ako GPT-o3 alebo Claude 4 Sonnet) analyzuje požiadavku používateľa a smeruje ju na špecializované pracovné uzly.

Pracovníci vykonajú svoju úlohu a vrátia výstup do stavu. Supervisor potom rozhodne o ďalšom kroku: smerovanie na iného pracovníka, agregácia výsledkov alebo odpoveď používateľovi. Tento vzor presne kopíruje štruktúru 'Audit & Process Agency' – umožňuje konštrukciu digitálnej hierarchie, ktorá replikuje ľudské manažérske štruktúry.

Zatiaľ čo LangGraph riadi tok, PydanticAI sa etabluje ako framework na definovanie štruktúry a rozhrania jednotlivých agentov. Vybudovaný tímom za knižnicou Pydantic, uprednostňuje produkčnú spoľahlivosť. PydanticAI vynucuje prísnu validáciu schém na vstupoch aj výstupoch generovaných LLM.

Namiesto parsovania surového textu alebo spoliehania na krehké regulárne výrazy, PydanticAI núti LLM dodržiavať definovaný Pydantic model. Pre službu 'AI Účtovník' to znamená, že extrahované dáta z faktúry vždy obsahujú povinné polia (invoice_id, total_amount, currency) v správnych dátových typoch.

Ak LLM vygeneruje dáta porušujúce schému (záporné číslo pre vek), PydanticAI automaticky zachytí chybu a vyzve model na opravu – robustná samoopravná slučka na mikro-úrovni.

Supervisor Agent (GPT-o3/Claude Opus 4.5) funguje ako dispečer a prijíma súbor faktúry. OCR Agent využíva multimodálne schopnosti na extrakciu štruktúrovaných dát (Dátum, Dodávateľ, Položky) z PDF a validuje schému pomocou Pydantic. Policy Agent kontroluje, či výdavok neporušuje firemnú politiku (alkohol > 50 €, víkendový výdavok). Reconciliation Agent sa dopytuje ERP cez MCP, či existuje zodpovedajúca objednávka.

Workflow: Supervisor pošle PDF na OCR. Po prijatí dát ich pošle paralelne na Policy a Reconciliation. Agreguje výsledky. Ak OCR zlyhá v kontrole spoľahlivosti, graf presmeruje úlohu do fronty 'Manuálna revízia'. Žiadne stratené dáta, plná sledovateľnosť, kompletný audit trail.

Pre generovanie vysoko kvalitných výstupov (právne návrhy, zmluvy) je nevyhnutný vzor Evaluator-Optimizer. Generátor navrhne klauzulu, Evaluátor ju kritizuje podľa špecifických kritérií (jasnosť, riziko, stručnosť), Optimalizátor prijme kritiku a prepíše klauzulu. Cyklus pokračuje, kým skóre od Evaluátora neprekročí prahovú hodnotu.

V LangGraph je toto modelované ako cyklus medzi dvoma uzlami s podmienenou hranou kontrolujúcou skóre. Tento vzor zabezpečuje konzistentne vysokú kvalitu výstupov bez nutnosti ľudskej intervencie v každej iterácii.