LangGraph

LangGraph هو إطار عمل Python و JavaScript مفتوح المصدر طورته شركة LangChain, Inc. لبناء مسارات عمل وكلاء ذكاء اصطناعي متعددة الخطوات وذات حالة. تم إصداره كنسخة مستقرة 1.0 في 22 أكتوبر 2025، وهو يصمم منطق الوكيل كرسم بياني موجه حيث تمثل العقد خطوات الحساب وتمثل الحواف الانتقالات الشرطية. على عكس أطر العمل البسيطة القائمة على السلاسل، يتعامل LangGraph مع التنفيذ المتين، واستمرارية الحالة، والمراجعة البشرية كاهتمامات أساسية في وقت التشغيل بدلاً من كونها إضافات لاحقة يركبها المطور.

في جوهره، يوفر LangGraph أربع ركائز أساسية للإنتاج: نقاط حفظ ذات حالة تنجو من عمليات إعادة تشغيل الخادم وفشل الشبكة، وأنماط مقاطعة مدمجة للتدخل البشري لإيقاف تنفيذ الوكيل مؤقتاً في انتظار الموافقة، وتحكم في مسار العمل قائم على الرسوم البيانية يدعم الدورات والتفرع الشرطي، وطبقة ذاكرة تغطي كلاً من حالة العمل قصيرة المدى والاستمرارية طويلة المدى عبر الجلسات. LangGraph مستقل عن النماذج: فهو يعمل مع OpenAI و Anthropic و Google و Mistral وأي نموذج لغوي كبير (LLM) يمكن الوصول إليه عبر واجهة برمجة التطبيقات (API). تضيف منصة LangGraph Platform (التي كانت تُسمى سابقاً LangSmith Deployment) استضافة سحابية مُدارة، وتنسيقاً للأسطول، وقابلية المراقبة من LangSmith فوق بيئة التشغيل مفتوحة المصدر.

ما يفعله LangGraph فعلياً في أبريل 2026

يقدم الإصدار العام LangGraph 1.0 GA بيئة تشغيل تتعامل مع مخاوف البنية التحتية التي تتركها معظم أطر عمل الوكلاء للمطور. تتدفق الحالة المحددة عبر Python TypedDict من خلال عقد الرسم البياني؛ ويتم حفظ كل انتقال في نهاية خلفية قابلة للتكوين (SQLite للتطوير المحلي، أو Postgres أو Redis للإنتاج). إذا تعطل أحد العمال في منتصف الرسم البياني، فإن التنفيذ التالي يُستأنف من آخر نقطة حفظ بدلاً من البدء من جديد. هذا السلوك أصيل في إطار العمل، وليس مكوناً إضافياً اختيارياً.

يعمل التحكم القائم على التدخل البشري من خلال ركائز المقاطعة. يمكن للعقدة إيقاف التنفيذ مؤقتاً وعرض الحالة المعلقة لنظام خارجي (روبوت موافقة على Slack، أو واجهة مستخدم ويب، أو قائمة انتظار للمراجعة البشرية). يتوقف مسار الوكيل دون احتجاز موارد الخادم، ويُستأنف عندما يرسل العنصر البشري أمر استجابة. هذا النمط ذو قيمة خاصة لمسارات العمل عالية المخاطر: الموافقات المالية، وتحديثات السجلات الطبية، وتصعيدات الإشراف على المحتوى.

يوفر LangGraph أيضاً واجهة تصحيح أخطاء عبر السفر عبر الزمن من خلال LangSmith. نظراً لأن كل انتقال للحالة يتم حفظه، يمكن للمطورين إعادة تشغيل أي تنفيذ تاريخي للرسم البياني من أي عقدة، وفحص منطق الوكيل، وتعديل الحالة في منتصف التشغيل، وتفريغ مسارات تنفيذ بديلة. لخص Austin Vance من Focused Labs، الذي قام بنشر LangGraph عبر أكثر من اثنتي عشرة صناعة إنتاجية، قيمة قابلية المراقبة بشكل مباشر:

"عندما يبلغ أحد العملاء عن سلوك غريب للوكيل، يمكنني سحب التتبع ورؤية أنه في الخطوة 7، تلقى الوكيل نتائج بحث غامضة." - Austin Vance، Focused Labs، dev.to، 2025

يدعم إطار العمل الهياكل متعددة الوكلاء: الوكلاء المشرفون الذين ينسقون الوكلاء الفرعيين المتخصصين، والفروع المتوازية التي تتوزع عبر مهام مستقلة، والرسوم البيانية الهرمية حيث يستدعي الرسم البياني الأصل رسوماً بيانية فرعية. يستخدم الذكاء الاصطناعي لدعم العملاء في Klarna، والذي يتعامل مع 85 مليون مستخدم نشط عبر بلدان متعددة، LangGraph و LangSmith لإدارة مسارات العمل هذه، مما يقلل من وقت حل مشكلات العملاء بنسبة 80 بالمائة.

موقع LangGraph مقارنة بـ CrewAI و Temporal

تكشف المقارنة مع CrewAI و Temporal عن فلسفتين تصميميتين مختلفتين تماماً.

LangGraph مقابل CrewAI: ينظم CrewAI الوكلاء حول تعريفات الأدوار: يحصل كل وكيل على دور (Role)، وهدف (Goal)، وقصة خلفية (Backstory)، ويقوم إطار العمل بإضفاء طابع بشري على التنسيق. تتدفق مخرجات المهام كـ سياق ضمني للوكيل التالي في التسلسل أو التسلسل الهرمي. لا يوجد كائن حالة صريح ولا طبقة نقاط حفظ أصلية. يعطي CrewAI الأولوية لبدء التشغيل منخفض التكوين على ضمانات وقت التشغيل. في المقابل، يعرض LangGraph StateGraph مع مخططات مكتوبة ووظائف تقليل (reducer) صريحة لدمج مخرجات الفروع المتزامنة. يجب على المطورين التفكير من منظور بنية الرسم البياني وتحولات الحالة. هذا يتطلب جهداً أكبر للتعلم ولكنه ينتج تنفيذاً حتمياً وقابلاً للفحص بدلاً من لعب الأدوار الناشئ. النمط الإنتاجي الشائع هو بناء نماذج أولية في CrewAI من أجل السرعة، ثم الانتقال إلى LangGraph عندما تظهر متطلبات الموثوقية وقابلية التدقيق. وكما ذكرت إحدى مقارنات أطر العمل: "بينما يتطلب منك LangGraph التفكير في الرسوم البيانية وآلات الحالة، يتيح لك CrewAI التفكير بعبارات بشرية."

LangGraph مقابل Temporal: Temporal هو محرك مسارات عمل متين متعدد الأغراض يسبق عصر النماذج اللغوية الكبيرة (LLM). يقوم بتسلسل سجل التنفيذ على مستوى محرك مسار العمل، ويعيد تنفيذ الخطوات المسجلة بشكل حتمي عند إعادة تشغيل العامل. يضمن هذا دلالات التنفيذ لمرة واحدة بالضبط لأي كود، وليس فقط استدعاءات LLM. يتم تحديد نطاق نقاط الحفظ في LangGraph بشكل مختلف: فهو يحفظ حالة الوكيل بين عقد الرسم البياني، ولكن لا يتم الاحتفاظ بالحالة داخل العقدة. لا يحتوي Temporal على مفاهيم LLM أصلية (لا توجد قوالب مطالبات، ولا أغلفة استدعاء أدوات، ولا ركائز تدخل بشري). بالنسبة للفرق التي تبني وكلاء يتضمنون أيضاً تأثيرات جانبية حقيقية للأعمال (المدفوعات، والكتابة في قواعد البيانات، واستدعاءات API الخارجية)، فإن البنية الموصى بها اعتباراً من عام 2026 هي مكدس من طبقتين: Temporal للغلاف الخارجي للتنفيذ المتين، و LangGraph لحلقة التفكير الداخلي لـ LLM. يعتبر LangGraph أصلياً لـ LLM. بينما Temporal أصلي للبنية التحتية. يتم استخدامهما معاً بشكل متزايد بدلاً من كونهما بدائل.

كيف يبدو واقع حلقة الوكيل يوماً بعد يوم

البناء باستخدام LangGraph يعني تحديد مخطط الحالة الخاص بك مقدماً كفئة بيانات Python أو TypedDict، ثم كتابة العقد كوظائف Python عادية تقرأ من تلك الحالة وتكتب فيها. يمكن أن تكون الحواف ثابتة (تنتقل دائماً من العقدة A إلى العقدة B) أو شرطية (تفحص الحالة وتوجه إلى B أو C أو تنهي). يتم دعم الدورات، وهو أمر ضروري لمنطق إعادة المحاولة وحلقات التحسين التكرارية.

تتطلب حلقة التطوير LangSmith لأي شيء يتجاوز الأمثلة البسيطة. بدون فحص التتبع، فإن تصحيح أخطاء سبب اتخاذ الوكيل لفرع خاطئ أو دخوله في حلقة لا نهائية يستهلك الكثير من الوقت. LangSmith هو منتج منفصل بتسعير خاص به، ولكن التكامل وثيق ويتعامل معه الفريق كقصة قابلية المراقبة الإنتاجية لـ LangGraph.

تتراوح خيارات النشر من تشغيل خادم LangGraph محلياً، إلى الاستضافة الذاتية على Kubernetes، إلى استخدام السحابة المُدارة لـ LangGraph Platform. تقلل السحابة المُدارة من أعباء عمليات التطوير (DevOps) بشكل كبير ولكنها تضيف تكاليف حوسبة لكل دقيقة علاوة على رسوم واجهة برمجة تطبيقات LLM.

"بعد شحن الوكلاء إلى الإنتاج عبر اثنتي عشرة صناعة مختلفة، فإنه إطار العمل الوحيد الذي يتعامل مع أصعب المشكلات كاهتمامات من الدرجة الأولى." - Austin Vance، Focused Labs، dev.to، 2025

من الإحباطات المتكررة كثافة الأكواد النمطية (boilerplate). يعد تحديد مخططات الحالة، وكتابة وظائف التقليل، ورسم شروط الحواف، وتكوين النهايات الخلفية لنقاط الحفظ استثماراً كبيراً قبل تشغيل أي منطق LLM. تبرز مناقشات المجتمع باستمرار نفس النمط: يكتب المطورون نصوصاً برمجية بسيطة ومباشرة لواجهة برمجة التطبيقات تعمل بشكل أسرع للنماذج الأولية ولكنهم يصطدمون بعقبات عندما يحتاجون إلى الاسترداد، أو المراجعة البشرية، أو التنسيق متعدد الوكلاء. يؤتي هذا العبء الإضافي ثماره على نطاق الإنتاج. ولكنه لا يؤتي ثماره بالنسبة للنصوص البرمجية التي تعمل لمرة واحدة.

لمن تم بناء LangGraph

تم بناء LangGraph للفرق الهندسية التي تنشر وكلاء الذكاء الاصطناعي في بيئات إنتاج منظمة، أو عالية المخاطر، أو طويلة الأمد حيث تهم الدقة أكثر من وقت الوصول إلى أول عرض توضيحي. الفرق المالية في شركات مثل Klarna التي تحتاج إلى سلاسل موافقة حتمية. فرق منصات المطورين في شركات مثل Uber التي تدير مسارات ترحيل أكواد واسعة النطاق حيث تؤدي إعادة التشغيل في منتصف الطريق إلى إفساد الحالة. أنظمة التوظيف في LinkedIn التي تحتاج إلى التنسيق بين البحث باللغة الطبيعية، ومطابقة المرشحين، والمراسلة الصادرة دون فقدان السياق بين الجلسات.

كما أنه مناسب لأي فريق اصطدم بالفعل بعقبات مع أطر عمل أبسط: الوكلاء الذين يفشلون بصمت عند حدوث أخطاء في الشبكة، ومسارات العمل التي تبدأ من البداية عند إعادة تشغيل النشر، والعمليات متعددة الخطوات التي تحتاج إلى إنسان لمراجعة قرار وسيط قبل أن يتابع الوكيل.

ما لا يمثله LangGraph

LangGraph ليس أداة منخفضة التعليمات البرمجية (low-code). لا يوجد منشئ مسارات عمل مرئي في إطار العمل مفتوح المصدر. يتطلب بناء وتصحيح أخطاء تطبيق LangGraph إتقان لغة Python، والارتياح لنظرية الرسوم البيانية وآلات الحالة، ومن الناحية المثالية الإلمام بواجهة تتبع LangSmith. يختلف النموذج العقلي القائم على الرسوم البيانية من الناحية المفاهيمية عن البرمجة النصية المتسلسلة وله منحنى تعليمي حاد موثق.

إنه ليس مناسباً لمسارات العمل الخطية البسيطة. إذا كان وكيلك يستدعي أداة واحدة، وينسق استجابة، ثم يعود، فإن العبء الإضافي للحالة المكتوبة، وتكوين نقاط الحفظ، وبنية الرسم البياني غير مبرر. تعد استدعاءات واجهة برمجة التطبيقات المباشرة مع الحد الأدنى من التنسيق أسرع في البناء والصيانة لحالات الاستخدام ذات الخطوة الواحدة.

كما أنه ليس ضماناً أمنياً معزولاً. في مارس 2026، كشف CVE-2025-67644 عن ثغرة حقن SQL في تنفيذ نقطة حفظ SQLite الخاص بـ LangGraph (CVSS 7.3)، مما يسمح بالتلاعب بمرشح البيانات الوصفية لتشغيل تعليمات SQL عشوائية ضد قاعدة بيانات نقطة الحفظ. تم إصدار التصحيح في langgraph-checkpoint-sqlite 3.0.1. يجب على الفرق التي تستضيف ذاتياً على نقاط حفظ SQLite التحقق من أنها تستخدم الإصدار المصحح.

أخيراً، LangGraph ليس Temporal. بالنسبة لمسارات العمل التي يجب أن تضمن تنفيذ التأثيرات الجانبية لمرة واحدة بالضبط (فرض رسوم دفع، أو الكتابة في دفتر أستاذ تنظيمي)، يوفر نموذج تنفيذ Temporal ضمانات أقوى. الإجماع الإنتاجي بحلول عام 2026 هو وضع طبقة LangGraph داخل Temporal عندما يكون كل من تفكير LLM والمتانة في المعاملات مطلوبين.