LangGraph

LangGraph est un framework Python et JavaScript open source développé par LangChain, Inc. pour concevoir des workflows d'agents IA multi-étapes avec état. Publié dans sa version stable 1.0 le 22 octobre 2025, il modélise la logique de l'agent sous la forme d'un graphe orienté où les nœuds représentent des étapes de calcul et les arêtes des transitions conditionnelles. Contrairement aux frameworks basés sur de simples chaînes, LangGraph traite l'exécution durable, la persistance de l'état et la révision humaine comme des éléments fondamentaux de l'exécution, et non comme des ajouts de dernière minute bricolés par le développeur.

Fondamentalement, LangGraph fournit quatre primitives de production : des points de contrôle (checkpointing) avec état qui survivent aux redémarrages de serveurs et aux pannes réseau, des modèles d'interruption "human-in-the-loop" intégrés pour suspendre l'exécution de l'agent en attente d'approbation, un contrôle de workflow basé sur des graphes prenant en charge les cycles et les ramifications conditionnelles, ainsi qu'une couche de mémoire couvrant à la fois l'état de travail à court terme et la persistance inter-sessions à long terme. LangGraph est agnostique vis-à-vis des modèles : il fonctionne avec OpenAI, Anthropic, Google, Mistral et tout LLM accessible via API. La LangGraph Platform (anciennement appelée LangSmith Deployment) ajoute l'hébergement cloud géré, l'orchestration de flotte et l'observabilité LangSmith par-dessus le runtime open source.

Ce que fait réellement LangGraph en avril 2026

La version GA de LangGraph 1.0 intègre un runtime qui gère les problématiques d'infrastructure que la plupart des frameworks d'agents laissent au développeur. L'état défini via un TypedDict Python circule à travers les nœuds du graphe ; chaque transition est sauvegardée vers un backend configurable (SQLite pour le développement local, Postgres ou Redis pour la production). Si un worker plante au milieu du graphe, l'exécution suivante reprend à partir du dernier point de contrôle sauvegardé au lieu de recommencer à zéro. Ce comportement est natif au framework, et non un plugin optionnel.

Le contrôle "human-in-the-loop" fonctionne grâce à des primitives d'interruption. Un nœud peut suspendre l'exécution et exposer l'état en attente à un système externe (un bot d'approbation Slack, une interface web, une file d'attente de révision humaine). Le thread de l'agent se bloque sans monopoliser les ressources du serveur, et reprend lorsque l'humain envoie une commande de réponse. Ce modèle est particulièrement précieux pour les workflows à forts enjeux : approbations financières, mises à jour de dossiers médicaux, escalades de modération de contenu.

LangGraph propose également une interface de débogage avec voyage dans le temps via LangSmith. Étant donné que chaque transition d'état est sauvegardée, les développeurs peuvent rejouer n'importe quelle exécution historique du graphe à partir de n'importe quel nœud, inspecter le raisonnement de l'agent, modifier l'état en cours d'exécution et créer des branches d'exécution alternatives. Austin Vance de Focused Labs, qui a déployé LangGraph dans plus d'une douzaine de secteurs en production, a résumé directement la valeur de cette observabilité :

"Lorsqu'un client signale un comportement étrange de l'agent, je peux afficher la trace et voir qu'à l'étape 7, l'agent a reçu des résultats de recherche ambigus." - Austin Vance, Focused Labs, dev.to, 2025

Le framework prend en charge les topologies multi-agents : des agents superviseurs qui orchestrent des sous-agents spécialisés, des branches parallèles qui se déploient sur des tâches indépendantes, et des graphes hiérarchiques où un graphe parent invoque des sous-graphes enfants. L'IA du support client de Klarna, qui gère 85 millions d'utilisateurs actifs dans plusieurs pays, utilise LangGraph et LangSmith pour gérer ces workflows, réduisant ainsi le temps de résolution client de 80 %.

Où se situe LangGraph par rapport à CrewAI et Temporal

La comparaison avec CrewAI et Temporal met en évidence deux philosophies de conception fondamentalement différentes.

LangGraph vs. CrewAI : CrewAI organise les agents autour de définitions de rôles : chaque agent reçoit une chaîne de caractères pour son Rôle, son Objectif et son Historique (Backstory), et le framework anthropomorphise la coordination. Les résultats des tâches sont transmis comme contexte implicite à l'agent suivant dans la séquence ou la hiérarchie. Il n'y a pas d'objet d'état explicite ni de couche de points de contrôle native. CrewAI privilégie un démarrage avec peu de configuration plutôt que des garanties d'exécution. LangGraph, en revanche, expose un StateGraph avec des schémas typés et des fonctions de réduction explicites pour fusionner les résultats des branches concurrentes. Les développeurs doivent penser en termes de topologie de graphe et de transformations d'état. C'est plus exigeant à apprendre, mais cela produit une exécution déterministe et inspectable plutôt qu'un jeu de rôle émergent. Le modèle de production courant consiste à prototyper dans CrewAI pour la rapidité, puis à migrer vers LangGraph lorsque des exigences de fiabilité et d'auditabilité se présentent. Comme l'a souligné une comparaison de frameworks : "Alors que LangGraph vous oblige à penser en graphes et en machines à états, CrewAI vous permet de penser en termes humains."

LangGraph vs. Temporal : Temporal est un moteur de workflow durable à usage général qui précède l'ère des LLM. Il sérialise l'historique d'exécution au niveau du moteur de workflow, réexécutant les étapes enregistrées de manière déterministe lors du redémarrage du worker. Cela garantit une sémantique d'exécution "exactement une fois" (exactly-once) pour n'importe quel code, et pas seulement pour les appels LLM. Le checkpointing de LangGraph a une portée différente : il sauvegarde l'état de l'agent entre les nœuds du graphe, mais l'état à l'intérieur d'un nœud n'est pas persisté. Temporal n'a pas de concepts LLM natifs (pas de modèles de prompt, pas de wrappers d'appel d'outils, pas de primitives "human-in-the-loop"). Pour les équipes qui construisent des agents impliquant également de réels effets de bord métier (paiements, écritures en base de données, appels d'API externes), l'architecture recommandée en 2026 est une stack à deux couches : Temporal pour l'enveloppe d'exécution durable externe, LangGraph pour la boucle de raisonnement LLM interne. LangGraph est natif pour les LLM. Temporal est natif pour l'infrastructure. Ils sont de plus en plus utilisés ensemble plutôt que comme des alternatives.

À quoi ressemble la réalité de la boucle d'agent au quotidien

Construire avec LangGraph implique de définir votre schéma d'état à l'avance sous forme de dataclass Python ou de TypedDict, puis d'écrire les nœuds comme de simples fonctions Python qui lisent et écrivent dans cet état. Les arêtes peuvent être statiques (aller toujours du nœud A au nœud B) ou conditionnelles (inspecter l'état et router vers B, C, ou terminer). Les cycles sont pris en charge, ce qui est essentiel pour la logique de nouvelle tentative (retry) et les boucles d'affinage itératives.

La boucle de développement nécessite LangSmith pour tout ce qui dépasse les simples exemples de base. Sans l'inspection des traces, déboguer pourquoi un agent a pris une mauvaise branche ou est entré dans une boucle infinie prend énormément de temps. LangSmith est un produit distinct avec sa propre tarification, mais l'intégration est étroite et l'équipe le considère comme la solution d'observabilité en production pour LangGraph.

Les options de déploiement vont de l'exécution du serveur LangGraph en local à l'auto-hébergement sur Kubernetes, en passant par l'utilisation du cloud géré de la LangGraph Platform. Le cloud géré réduit considérablement la charge de travail DevOps, mais ajoute des coûts de calcul à la minute en plus des frais d'API LLM.

"Après avoir déployé des agents en production dans une douzaine de secteurs différents, c'est le seul framework qui traite les problèmes les plus difficiles comme des préoccupations de premier ordre." - Austin Vance, Focused Labs, dev.to, 2025

Une frustration récurrente est la densité du code passe-partout (boilerplate). Définir des schémas d'état, écrire des fonctions de réduction, cartographier les conditions des arêtes et configurer les backends de points de contrôle représente un investissement important avant même que la moindre logique LLM ne s'exécute. Les discussions de la communauté font constamment ressortir le même schéma : les développeurs écrivent de simples scripts d'API directe qui fonctionnent plus rapidement pour les prototypes, mais se heurtent à des murs lorsqu'ils ont besoin de récupération, de révision humaine ou de coordination multi-agents. Cette surcharge de travail est rentable à l'échelle de la production. Elle ne l'est pas pour des scripts qui ne s'exécutent qu'une seule fois.

À qui s'adresse LangGraph

LangGraph est conçu pour les équipes d'ingénierie qui déploient des agents IA dans des environnements de production réglementés, à forts enjeux ou de longue durée, où l'exactitude compte plus que le temps nécessaire pour obtenir une première démo. Les équipes financières d'entreprises comme Klarna qui ont besoin de chaînes d'approbation déterministes. Les équipes de plateformes de développement d'entreprises comme Uber qui exécutent des pipelines de migration de code à grande échelle où un redémarrage à mi-parcours corromprait l'état. Les systèmes de recrutement chez LinkedIn qui doivent coordonner la recherche en langage naturel, la mise en correspondance des candidats et la messagerie sortante sans perdre le contexte entre les sessions.

Il convient également à toute équipe qui s'est déjà heurtée aux limites de frameworks plus simples : des agents qui échouent silencieusement lors d'erreurs réseau, des workflows qui recommencent depuis le début lors des redémarrages de déploiement, des processus multi-étapes qui nécessitent qu'un humain révise une décision intermédiaire avant que l'agent ne poursuive.

Ce que LangGraph n'est pas

LangGraph n'est pas un outil low-code. Il n'y a pas de constructeur de workflow visuel dans le framework open source. La création et le débogage d'une application LangGraph nécessitent une maîtrise de Python, une aisance avec la théorie des graphes et les machines à états, et idéalement une familiarité avec l'interface de traces de LangSmith. Le modèle mental basé sur les graphes est conceptuellement différent du scripting séquentiel et présente une courbe d'apprentissage abrupte bien documentée.

Il n'est pas adapté aux workflows linéaires simples. Si votre agent appelle un outil, formate une réponse et la renvoie, la surcharge liée à l'état typé, à la configuration des points de contrôle et à la topologie du graphe est injustifiée. Les appels d'API directs avec une orchestration minimale sont plus rapides à construire et à maintenir pour les cas d'usage à étape unique.

Ce n'est pas non plus une garantie de sécurité isolée. En mars 2026, la CVE-2025-67644 a révélé une vulnérabilité d'injection SQL dans l'implémentation des points de contrôle SQLite de LangGraph (CVSS 7.3), permettant la manipulation des filtres de métadonnées pour exécuter du code SQL arbitraire sur la base de données des points de contrôle. Le correctif a été intégré dans langgraph-checkpoint-sqlite 3.0.1. Les équipes s'auto-hébergeant sur des points de contrôle SQLite doivent vérifier qu'elles utilisent la version corrigée.

Enfin, LangGraph n'est pas Temporal. Pour les workflows qui doivent garantir une exécution "exactement une fois" des effets de bord (facturer un paiement, écrire dans un registre réglementaire), le modèle d'exécution de Temporal offre des garanties plus solides. Le consensus de production d'ici 2026 est d'intégrer LangGraph à l'intérieur de Temporal lorsque le raisonnement LLM et la durabilité transactionnelle sont tous deux requis.