LangChain ou LlamaIndex: como retomar um agente de conhecimento após a aprovação humana?
Agentes de conhecimento interno precisam consultar informações e gravar em sistemas de negócio após aprovação. Priorize o LangGraph quando os pontos de recuperação e o histórico de execução orientarem o projeto. Equipes com dados e ferramentas no LlamaIndex podem manter Workflows, mas precisam definir quem cuida dos snapshots e da recuperação. Nenhum dos dois substitui a deduplicação das ações de negócio.
Quando um assistente de conhecimento interno passa de responder perguntas sobre políticas a criar chamados com base nas respostas, o risco vai além da precisão: o que a pessoa aprovou e uma reinicialização criará outro chamado? Para equipes que desenvolvem esse tipo de aplicação com um único agente, LangChain e LlamaIndex oferecem ferramentas, estado e participação humana. O fator decisivo é como a recuperação se integra ao serviço.
Priorize o LangGraph, do ecossistema LangChain, se os pontos de pausa, o histórico de estado e a recuperação após reinicialização devem formar um mecanismo de execução unificado. Manter o LlamaIndex Workflows faz sentido se a busca e as ferramentas já usam LlamaIndex e a equipe aceita gerenciar eventos e persistência. Esta análise se baseia na documentação oficial de Python. Não é um teste de execução nem uma garantia de recuperação.
Defina qual camada está sendo comparada
A visão geral do LangChain distingue várias camadas: create_agent, do LangChain, fornece um ciclo de agente combinável; LangGraph é o framework de orquestração de nível inferior; Deep Agents oferece uma estrutura de agente mais completa sobre essas bases; e LangSmith fornece recursos de plataforma como rastreamento, depuração e avaliação. A comparação trata do controle de execução de agentes desenvolvidos pela própria equipe. Comprar LangSmith ou adotar Deep Agents não equivale a configurar a persistência do LangGraph.
O framework LlamaIndex também já inclui agentes e Workflows orientados a eventos; a busca é apenas um dos tipos de ferramenta que um agente pode chamar. Ele deve ser avaliado separadamente dos serviços de documentos LlamaCloud. As páginas oficiais atuais também apresentam os recursos relacionados de análise e indexação gerenciadas na plataforma LlamaParse. Integrar esses serviços não torna recuperável o processo do seu agente.
Um ponto de aprovação, duas formas de expressá-lo
Suponha que o assistente consulte uma política de manutenção de equipamentos e prepare a criação de um chamado. A interface de aprovação deve mostrar o equipamento, a descrição do problema e a fila de destino propostos, vinculando o consentimento àquela versão dos parâmetros. Este é um cenário de projeto do artigo, não um caso de cliente de um fornecedor.
O LangGraph pausa por meio de interrupt e recebe a resposta humana por Command ao retomar. A aplicação precisa configurar um checkpointer e usar o mesmo thread_id para recuperar o estado da execução. Isso favorece a separação entre busca, preparação da ação para aprovação e gravação em nós explícitos, permitindo verificar o que cada etapa salvou.
Já o exemplo de participação humana do LlamaIndex faz uma ferramenta aguardar eventos: InputRequiredEvent solicita a entrada, HumanResponseEvent devolve a resposta e wait_for_event cuida da espera. Equipes com um consumidor de eventos existente podem conectar a interface de aprovação por essas APIs. A autenticação de quem aprova, a versão dos parâmetros e o tratamento de negócio após uma recusa continuam sendo responsabilidade da aplicação.
Ambos permitem incorporar a resposta humana à execução. Um botão de aprovação não é um sistema de autorização: um cliente qualquer não deve conseguir retomar o chamado de outra pessoa apenas enviando “aprovar”.
Salve o contexto no momento certo
Os checkpointers do LangGraph salvam o estado do grafo a cada super-step e organizam os checkpoints por thread. Um ambiente de execução desenvolvido pela equipe ainda exige a escolha do backend de persistência e da estratégia de gravação. Um exemplo em memória não equivale à recuperação entre processos. O benefício é um modelo unificado de checkpoints, não a eliminação do trabalho de operação do banco de dados.
O Context do LlamaIndex pode ser reutilizado entre execuções e serializado para um banco de dados ou arquivo. Isso pode corresponder bem aos limites dos serviços existentes quando a equipe já tem armazenamento de estado e tratamento de eventos confiáveis. Porém, salvar apenas ao final da execução inteira não preserva o progresso mais recente antes de uma falha intermediária.
A documentação de workflows duráveis descreve como capturar mudanças de estado durante a execução, gravar snapshots e restaurar Context. No ambiente padrão, que executa dentro do processo, a equipe gerencia esse ciclo de checkpoints. A documentação também apresenta plugins de execução, como DBOS, que assumem a persistência e a recuperação. Portanto, LlamaIndex tem opções de recuperação, mas um Context serializável não significa armazenamento confiável já configurado por padrão.
A aprovação não impede a execução repetida
Retomar não significa continuar exatamente na linha em que o código parou. O nó do LangGraph que contém a interrupção é executado novamente desde o início. A documentação do LlamaIndex também informa que uma etapa ainda em execução no momento do snapshot recomeça, com semântica de retomada de pelo menos uma vez. Os dois projetos exigem cuidado com efeitos colaterais.
Por exemplo, o sistema de chamados pode ter criado o chamado com sucesso, mas o agente falha antes de salvar esse resultado. Colocar a gravação após a aprovação limita quando ela é permitida, mas não impede um novo envio após a recuperação. Salve um identificador estável de operação para aquela versão da ação aprovada e faça o sistema receptor usá-lo para deduplicar. Se o sistema não aceitar requisições idempotentes, consulte primeiro o resultado ou encaminhe para conferência humana, em vez de repetir às cegas.
Salvar os parâmetros aprovados, a pessoa que aprovou, o identificador da operação e o número externo do chamado é mais útil do que guardar apenas o histórico da conversa. Se o equipamento ou a descrição mudar após a aprovação, solicite nova aprovação conforme as regras de negócio. Essas são recomendações de projeto da aplicação, não garantias transacionais fornecidas automaticamente por qualquer dos frameworks.
Decida com base nos limites de falha
Valide 3 pontos no mesmo fluxo de manutenção: reiniciar o processo enquanto aguarda aprovação; retomar novamente após uma recusa; e interromper após criar o chamado, mas antes de salvar o resultado. Verifique, respectivamente, se a ação original pode ser localizada, se a recusa é preservada e se o sistema externo contém somente o único chamado esperado. São verificações a realizar antes do lançamento, não resultados de testes obtidos neste artigo.
Equipes que desejam controlar esse fluxo de modo uniforme por checkpoints e limites entre nós podem começar pelo LangGraph, incluindo o backend de estado e as ferramentas idempotentes no escopo do projeto. Equipes com busca e workflows de eventos no LlamaIndex podem primeiro validar snapshots de Context ou um ambiente durável adequado, sem reescrever a camada de dados apenas para “suportar agentes”.
Se a aplicação permanecer somente de leitura e for aceitável refazer a resposta desde o início após uma falha, talvez nenhum dos dois projetos de recuperação prolongada justifique adoção imediata. O investimento se torna importante quando o assistente passa a aguardar aprovação e modificar sistemas externos. Nesse momento, demonstrar que uma aprovação não causa ações de negócio duplicadas pesa mais do que o nome do framework.
Nota sobre o conteúdo:Este artigo foi elaborado com base em informações públicas e serve como referência para a escolha de ferramentas. Os recursos, os preços e as políticas relacionadas podem mudar a qualquer momento; consulte as informações oficiais mais recentes.
Fonte original:docs.langchain.com