Frameworks de agentes de AI: LangGraph vs OpenAI Agents SDK
Tradução automática
Este artigo foi traduzido automaticamente a partir da versão original em inglês.
Estes frameworks ajudam a criar aplicações em que um modelo escolhe e utiliza ferramentas. A diferença relevante está no que cada framework gere em torno desse ciclo: estado, pesquisa, transferências de controlo, rastreio ou implementação. Use um quando a sua aplicação precisar dessas funcionalidades. Se os passos já forem conhecidos, comece por código de fluxo de trabalho convencional.
Comece pelos agentes do LangChain para um ciclo de modelo e ferramentas baseado em LangGraph. Use diretamente o LangGraph quando precisar de decidir como cada passo guarda o estado, aguarda aprovação e retoma após uma paragem.
Escolha com base no estado guardado, na recuperação, no suporte de pesquisa e no trabalho necessário para implementar e manter a aplicação.
Tabela de recomendações
| Necessidade | Ponto de partida | Motivo |
|---|---|---|
| API de alto nível para agentes | Agentes do LangChain | A documentação do LangGraph recomenda esta camada quando a orquestração de baixo nível não é necessária. |
| Agente com estado para produção | LangGraph | O seu runtime expõe o estado do grafo, persistência, interrupções e orquestração de baixo nível. |
| Ciclo compacto de modelo e ferramentas | OpenAI Agents SDK | As ferramentas, os mecanismos de proteção, as sessões, o rastreio e as transferências de controlo partilham uma API. Também são suportados outros fornecedores de modelos. |
| Agente de documentos com forte dependência de RAG | LlamaIndex | Carregamento de dados, índices, pesquisa, motores de consulta, ferramentas e fluxos de trabalho de agentes coexistem no mesmo ecossistema. |
| Fluxo de trabalho multi-agent baseado em funções | CrewAI | Agentes, crews, flows, conhecimento, memória e observabilidade adequam-se à automação baseada em funções. |
| Agente empresarial Microsoft | Microsoft Agent Framework | É a atual direção do SDK unificado de agentes da Microsoft, combinando ideias do Semantic Kernel e do AutoGen. |
| Agente pequeno e centrado no código | SmolAgents | API mínima, agentes que executam código, agentes que chamam ferramentas e inspeção simples. |
Como escolher
Comece pelo fluxo de controlo: como o agente passa entre passos e trata as falhas.
Se o agente tiver estados claros, novas tentativas, aprovações, checkpoints e execuções retomáveis, use LangGraph. Por exemplo, uma execução que aguarda aprovação precisa de estado guardado para poder continuar depois de o utilizador responder. Para um ciclo convencional de modelo e ferramentas, os agentes de nível superior do LangChain podem ser suficientes. Use diretamente o grafo quando precisar de controlar como uma execução interrompida é retomada.
O OpenAI Agents SDK adequa-se a um ciclo compacto em Python com ferramentas e transferências de controlo. Também suporta outros fornecedores, pelo que não é obrigatório utilizar um modelo OpenAI. Verifique o suporte de ferramentas e structured output do modelo escolhido, bem como o destino dos dados de rastreio.
Se o seu agente trabalhar sobretudo com documentos, índices, pesquisa e motores de consulta, comece pelo LlamaIndex. Os seus componentes de pesquisa existentes podem evitar que tenha de implementar essas partes. Antes de substituir o agent loop, confirme se a pesquisa encontra a informação que fundamenta a resposta e se os seus testes detetam respostas em falta ou sem fundamento.
O CrewAI é útil quando o processo real tem funções distintas: investigador, analista, revisor, redator, operador. É menos convincente quando se inventam funções apenas para utilizar uma abstração multi-agent. O nome de uma função não especifica o que acontece quando esse agente falha.
A recuperação precisa do seu próprio teste. Interrompa uma execução depois de uma ferramenta alterar um ficheiro ou enviar um pedido e verifique o que acontece quando é retomada. O histórico de chat guardado, por si só, não demonstra se a aplicação irá repetir esse efeito secundário. Verifique checkpoints, comportamento de reexecução e tratamento de ações duplicadas na configuração que planeia implementar.
Em qualquer framework, analise o que continua a ser da sua responsabilidade: armazenamento, credenciais, novas tentativas, implementação e avaliação. As funcionalidades de pesquisa do LlamaIndex não justificam, por si só, escolhê-lo para uma orquestração de fluxos de trabalho sem relação. As funções do CrewAI continuam a precisar de estado explícito e tratamento de erros. Verifique os requisitos de integração da Microsoft face ao resto da sua stack e conte com a necessidade de fornecer mais componentes do runtime em torno de uma experiência pequena com SmolAgents.
Quando não utilizar um framework de agentes
Não comece por um framework de agentes quando um fluxo de trabalho tipado, um endpoint de pesquisa ou um motor de regras resolver o problema. Os agentes são úteis quando o sistema precisa de escolher o passo seguinte depois de observar resultados intermédios. São uma má opção para ETL fixo, aprovações determinísticas, fluxos de faturação ou qualquer situação em que todos os ramos sejam conhecidos antecipadamente.
Não crie um sistema multi-agent antes de um agente funcionar bem. Dividir um fluxo de trabalho instável por vários agentes acrescenta falhas de coordenação e latência.
Os registos de execução mostram os passos executados. A avaliação verifica se esses passos concluíram a tarefa corretamente, dentro das permissões e do orçamento.
Sequência de implementação
- Use um fluxo de trabalho convencional para os passos conhecidos. Use um único agente com ferramentas restritas quando um modelo tiver de escolher o passo seguinte.
- Adicione registos de execução e um pequeno dataset de regressão antes de adicionar memória.
- Use diretamente o LangGraph quando precisar de controlo explícito sobre o estado guardado, aprovações e retoma de execuções.
- Teste o OpenAI Agents SDK quando o ciclo tiver de se manter compacto; verifique as funcionalidades suportadas pelo fornecedor escolhido.
- Adicione agentes baseados em funções apenas quando as responsabilidades forem verdadeiramente separáveis.
Leitura aprofundada
- Ciclos de raciocínio de agentes de AI explica ReAct, ReWOO e plan-and-execute.
- Arquitetura de memória de agentes de AI aborda checkpoints, memória vetorial e memória documental.
- Runtime para agentes de AI de longa duração aborda sessões, sandboxes, checkpoints, registos de execução e modelos de implementação.