Ang Arkitektura sa Likod ng Maaasahang AI Agent: LangChain, LangGraph, at ang Bagong Enterprise Stack

Karamihan ng mga enterprise ay nakalampas na sa tanong kung dapat bang gumamit ng AI agents. Ang mas mahirap na tanong ay dumating na: paano hahayaan ang awtonomong software na kumilos sa iyong ngalan nang hindi isinusuko ang kontrol? Ang sagot ay hindi isang mas malaking modelo. Ang sagot ay isang mas mahusay na arkitektura. Kakaunting kuwento ang naglalarawan ng pagbabagong ito nang mas malinaw kaysa sa ebolusyon mula LangChain hanggang LangGraph, at ang aral nito ay direktang naaangkop sa anumang organisasyong bumubuo ng mga multi-agent system ngayon.

Bakit ito mahalaga ngayon

Ang agentic AI ay lumipat na mula sa eksperimento patungo sa produksyon. Noong Oktubre 2025, nakalikom ang LangChain ng 125 milyong dolyar ng US sa pagpapahalagang 1.25 bilyong dolyar ng US sa isang Series B round na pinamunuan ng IVP, na may partisipasyon mula sa Sequoia, Benchmark, CapitalG, at mga venture arm ng ServiceNow, Workday, Cisco, Datadog, at Databricks. Iniulat ng kumpanya ang tinatayang 90 milyong pinagsamang buwanang pag-download sa LangChain at LangGraph, at sinabing higit sa isang katlo ng Fortune 500 ang gumagamit ng mga serbisyo nito. Ayon sa kumpanya, ang mga kumpanya tulad ng Klarna, Cloudflare, Workday, Cisco, at LinkedIn ay nagpapatakbo ng LangGraph sa produksyon.

Ang mga mamumuhunan at enterprise buyer ay hindi nagbabayad para sa chatbot. Nagbabayad sila para sa layer na nagpapagana sa mga agent na maging maaasahan, naoobserbahan, at napapamahalaan. Iyon ang layer na dapat tanungin ng board.

Ano ang nangyari

Ang LangGraph ay ginawa ng LangChain. Hindi ito hiwalay na kumpanya. Nagsisimula ang kuwento kay Harrison Chase, na nag-aral ng estatistika at computer science sa Harvard, nagtrabaho sa entity linking sa Kensho, at pagkatapos ay namuno sa trabaho ng machine learning testing sa Robust Intelligence. Noong Oktubre 2022 inilabas niya ang LangChain bilang isang open-source na proyektong Python na naglutas ng hindi kaakit-akit na problema ng plumbing sa pagbuo ng mga aplikasyon sa ibabaw ng mga malaking modelo ng wika: pag-uugnay ng mga modelo sa mga tool, pinagmulan ng data, at workflow.

Noong unang bahagi ng 2023, itinatag ni Chase ang kumpanya ng LangChain kasama si Ankush Gola, isang engineer na nagtapos sa Princeton na gumugol ng apat na taon sa Facebook at dating kasamahan sa Robust Intelligence. Itinulak ni Chase ang pananaw ng produkto upang tulungan ang mga developer na bumuo ng maaasahang AI agents na maaaring gumamit ng mga tool, panatilihin ang estado, gumawa ng mga desisyon, at magpatakbo ng mga kumplikadong workflow. Naging kasosyo si Gola sa pagbuo ng kumpanya sa paligid ng open-source na proyekto, kabilang ang paglago nito sa komersyal at operasyon.

Ang sumunod na pagkakasunod-sunod ay lubhang nakapagbibigay-kaalaman sa bawat lider ng teknolohiya. Nagsimula ang LangChain bilang isang framework para sa pagbuo ng mga aplikasyon ng LLM. Habang lumalaki ang adoption, nabunggo ang mga developer sa pader: ang mga simpleng prompt chain ay hindi makapag-sustain ng maaasahan, kontrolado, at pangmatagalang workflow ng agent. Noong Enero 2024, sinagot ng kumpanya ito sa pamamagitan ng LangGraph, isang graph-based runtime para sa stateful na AI agents na sumusuporta sa mga hakbang ng pag-apruba ng tao, retry, persistence, at kumplikadong orkestrasyon. Noong Oktubre 2025, parehong umabot ang LangChain at LangGraph sa milestone ng katatagan na 1.0, na ang mismong framework ng LangChain ay muling itinayo sa ibabaw ng runtime ng LangGraph. Ang framework na nagpasimula ng ecosystem ay tumatakbo na ngayon sa ibabaw ng orkestrasyon engine na nilikha nito.

Mga implikasyon sa teknolohiya at arkitektura

Ang paglipat mula chain patungong graph ay higit pa sa pagpapalit ng pangalan. Ang chain ay isang tuwid na linya: ang input ay dumadaloy patungo sa output sa pamamagitan ng isang nakatakdang pagkakasunod-sunod. Ang graph ay isang mapa ng desisyon: ang mga agent ay maaaring mag-branch, mag-loop, mag-retry, mag-delegate sa mga espesyalistang agent, at huminto para sa input ng tao. Para sa mga enterprise architect, tatlong katangian ang pinakamahalaga.

Una, ang estado ay naging first-class citizen. Pinapanatili ng LangGraph ang estado ng bawat workflow ng agent sa pamamagitan ng checkpointing, kaya ang isang proseso ay maaaring huminto nang ilang oras na naghihintay ng pag-apruba at ipagpatuloy nang eksakto kung saan ito huminto. Pangalawa, ang kontrol ng human-in-the-loop ay nakapaloob sa runtime, hindi idinagdag pagkatapos. Ang mga hakbang ng pag-apruba ay mga node sa graph, hindi isang bagay na naisip lamang sa huli sa user interface. Pangatlo, ang mga pattern ng orkestrasyon ay naging tahasan. Ang isang supervisor agent ay maaaring mag-ugnay ng mga espesyalistang agent sa isang hierarchy, na may malinaw na kontrata kung sino ang maaaring gumawa ng ano.

Sa praktika, ang orkestrasyon ng agent ay umuusbong bilang isang bagong layer ng middleware sa enterprise stack, na matatagpuan sa pagitan ng mga foundation model at mga sistema ng negosyo, gaya ng mga application server noon na matatagpuan sa pagitan ng database at user interface. Ang mga platform ng observability tulad ng LangSmith ay nagkukumpleto ng larawan sa pamamagitan ng paggawa ng pag-uugali ng agent na maaaring subaybayan at masubukan.

Mga implikasyon sa negosyo at kompetisyon

Ang pagiging maaasahan, hindi ang hilaw na katalinuhan, ang competitive moat sa enterprise AI. Isaalang-alang ang mga operasyon ng insurance claims bilang halimbawa. Ang isang claims platform ay maaaring gumamit ng isang supervisor orchestrator agent upang kontrolin ang mga espesyalistang agent para sa pagtanggap ng dokumento, pag-verify ng polisiya, pagtatasa ng pinsala, at pagsala ng pandaraya. Ang sistema ay maaaring mag-chain ng ebidensiya magdamag, mag-validate ng mga tuntunin ng polisiya, mag-estima ng settlement, at mag-flag ng mga anomalya para sa imbestigasyon. Ang hindi nito kayang gawin ay ang paglabas ng bayad. Ang aksyong iyon ay nasa likod ng isang approval gate, at tanging ang awtorisadong claims officer ang maaaring mag-trigger nito.

Ito mismo ang pattern na dinisenyo ng LangGraph upang suportahan, at iyon ang dahilan kung bakit ang framework na ito ay napaka-angkop sa mga reguladong industriya tulad ng insurance, banking, at healthcare. Ang lohika ng komersyo ay simple: ang halaga ng automation ay dumodoble lamang kapag ang gastos ng maling aksyon ay nakontrol. Ang mga organisasyong master ng pattern na ito ay maaaring mag-automate nang agresibo kung saan mura ang mga pagkakamali at maglagay ng mga gate nang mahigpit kung saan mahal ang mga pagkakamali. Ang mga kakumpitensyang tumingin sa mga agent bilang walang-bantay na automation ay gagalaw nang masyadong mabagal dahil sa takot, o gagalaw nang masyadong mabilis at magbabayad nito sa harap ng publiko.

Mga panganib at konsiderasyon sa pamamahala

Apat na panganib ang nararapat sa atensyon sa antas ng board. Awtonomiya na walang gate: ang isang agent na maaaring kumilos sa mga panlabas na sistema nang walang mga checkpoint ng pag-apruba ay isang liabilidad sa operasyon at reputasyon. Auditability: ang persistent na estado at kumpletong trail ay isang asset para sa pagsunod, ngunit tanging kung ang mga kontrol sa retention, access, at privacy ay dinisenyo mula sa simula. Panganib ng konsentrasyon: ang LangGraph ay open source sa ilalim ng lisensyang MIT, na naglilimita ng lock-in sa antas ng framework, ngunit ang mga komersyal na serbisyo ng platform sa paligid ng deployment at observability ay lumilikha pa rin ng dependensiya na dapat suriin tulad ng anumang ibang estratehikong relasyon sa vendor. Mga inaasahan ng regulasyon: ang mga rehimen ng pangangasiwa sa buong mundo ay lalong nag-aasam ng napapatunayang pangangasiwa ng tao sa mga awtomatikong desisyon na may malalaking bunga, at ang mga approval gate ay isa sa pinakamalinaw na paraan upang patunayan ito.

Ano ang dapat gawin ng CEO

Itanong kung saan maaaring kumilos ang mga agent sa iyong organisasyon, hindi lamang kung ano ang kanilang masasagot. Ang risk profile ng isang agent na nagbabasa ay lubhang naiiba sa isang agent na nagsasagawa ng transaksyon.

Hilingin ang nakasulat na patakaran sa approval gate: aling mga desisyon ang maaaring gawin ng mga agent nang mag-isa, alin ang nangangailangan ng pag-apruba ng tao, at sino ang may-ari ng bawat gate.

Pondohan ang reliability engineering, hindi ang mga demo. I-budget ang observability, evaluation, at state management bilang pangunahing gastos ng agentic AI, hindi opsyonal na dagdag.

Ituring ang pagpili ng orkestrasyon framework bilang isang estratehikong desisyon sa imprastruktura na may maraming taon ng konsekwensya, at isali ang risk committee ng board nang maaga.

Ano ang dapat gawin ng CTO

Mag-standardize sa isang layer ng orkestrasyon bago magkalat ang mga koponan ng mga bespoke na agent stack. Suriin ang LangGraph kasama ang mga alternatibo laban sa iyong mga kinakailangan sa kontrol, persistence, at audit.

Idisenyo ang human-in-the-loop bilang arkitektura. Ang mga hakbang ng pag-apruba ay dapat na mga durable na node sa workflow graph na may kumpletong state checkpointing, hindi mga front-end na kombensiyon.

Instrumentuhin ang lahat. Bawat desisyon ng agent ay dapat makabuo ng trail na maaaring i-replay ng pagsunod at engineering.

Magsimula sa mga asymmetric na workflow tulad ng procurement, claims, o vendor management, kung saan ang pananaliksik at rekomendasyon ay maaaring i-automate nang ligtas habang ang mga aksyon ng komitment ay nananatili sa likod ng gate.

Magtayo ng exit optionality. Panatilihing portable ang lohika ng agent at idokumento ang hangganan sa pagitan ng open-source na framework at mga komersyal na serbisyo ng platform.

Estratehikong konklusyon

Ang paglalakbay ng LangChain patungong LangGraph ay sumasalamin sa paglalakbay na dapat gawin ng bawat enterprise ngayon: mula sa mga kahanga-hangang prototype patungo sa mga kontroladong sistema ng produksyon. Ang mga panalo sa multi-agent era ay hindi ang mga organisasyong may pinakamaraming agent. Ang mga panalo ay ang mga organisasyong eksaktong alam kung ano ang pinapayagan ng kanilang mga agent, kayang patunayan iyon, at kayang i-scale ang tiwalang iyon sa buong negosyo.

Tanong para sa pakikilahok

Saan mo iguguhit ang linya sa iyong organisasyon sa pagitan ng kung ano ang maaaring ipagpaliban ng AI agent at kung ano ang dapat aprubahan ng tao? Ikinatutuwa ko ang iyong pananaw sa mga komento.

Mag-isip nang matematikal. Mag-engineer nang matalino. Mamuno nang estratehiko. Bumuo nang may pananagutan. Mag-scale nang global. Lumikha ng tunay na halaga ng negosyo sa pamamagitan ng artipisyal na katalinuhan.

#ArtificialIntelligence #AgenticAI #MultiAgentSystems #LangChain #LangGraph #EnterpriseAI #AIArchitecture #TechnologyStrategy #ResponsibleAI #DigitalTransformation #CTO #CEO

Originally published on LinkedIn by Keshavan Thiagaraja. Read the original on LinkedIn.