LangChain et LangGraph : choisir le bon outil pour vos flux de travail

LangChain et LangGraph : choisir le bon outil pour vos flux de travail

1. Pipeline vs Boucles

LangChain est conçu pour fonctionner comme un pipeline linéaire, où les composants sont enchaînés dans une direction unique. Cela signifie que les données circulent de manière séquentielle à travers chaque étape du processus, comme illustré par le code suivant :

chain = [prompt](/glossaire/prompt) | model | parser
output = chain.invoke(input)

Bien que LangChain permette la création de branches et l'exécution parallèle de certaines étapes, sa structure par défaut reste celle d'un pipeline. Cette approche est particulièrement efficace pour résoudre des problèmes tels que la récupération de documents suivie de la génération de réponses, l'extraction et l'enregistrement de champs, ou encore le résumé et la classification de textes. Cependant, pour des opérations nécessitant un retour en arrière, il est nécessaire d'implémenter une boucle externe en Python, car LangChain ne gère pas intrinsèquement ces retours.

À l'opposé, LangGraph adopte une approche basée sur les boucles intégrées au flux de travail. Il fonctionne comme un graphe composé de nœuds et d'arêtes. Chaque nœud est responsable d'une tâche spécifique, tandis que les arêtes définissent les transitions entre ces nœuds. Les arêtes conditionnelles permettent de revenir à des étapes antérieures, rendant le processus plus flexible.

2. Stateless vs Stateful

LangChain, en tant que pipeline, ne conserve pas d'état entre les exécutions. Chaque opération reçoit une entrée et produit une sortie, et l'état est transmis via des structures de données comme des dictionnaires ou des objets personnalisés. Cette méthode est suffisante lorsque chaque étape dépend uniquement du résultat de l'étape précédente. Cependant, pour des flux de travail plus complexes impliquant des boucles ou des branches, il est nécessaire de gérer manuellement des éléments comme l'historique des conversations ou les erreurs de validation en dehors de LangChain.

LangGraph, en revanche, intègre la gestion de l'état directement dans son architecture. Les agents créés avec LangGraph possèdent un état défini par un schéma, souvent sous la forme d'un TypedDict. Par exemple, un agent de service client pourrait avoir un état incluant des messages, des détails de réservation, et d'autres informations pertinentes. Cette intégration permet aux nœuds de mettre à jour l'état de manière partielle, simplifiant ainsi la gestion des données tout au long du processus.

3. L'humain interrompt la boucle vs L'humain dans la boucle

Dans certaines situations critiques, il est essentiel de permettre une intervention humaine dans le processus automatisé. Par exemple, avant qu'un agent n'effectue une migration de base de données ou un déploiement en production, une approbation humaine peut être requise. Avec LangChain, cette intervention est généralement gérée en dehors du pipeline, nécessitant une série d'étapes pour enregistrer la proposition d'action, attendre une approbation, et reconstruire le contexte nécessaire pour poursuivre le flux de travail.

LangGraph simplifie ce processus en intégrant des appels d'interruption directement dans les nœuds. Cela permet de mettre en pause le graphe à des points spécifiques et d'attendre une entrée externe avant de continuer, rendant l'intervention humaine plus fluide et moins laborieuse.

4. Redémarrages vs Reprise

Lorsqu'une étape échoue dans un pipeline LangChain, la solution la plus simple est souvent de relancer l'ensemble du processus. Cependant, cela peut s'avérer coûteux, car toutes les opérations précédentes doivent être répétées. Bien qu'il soit possible d'ajouter des mécanismes de mise en cache ou de reprise personnalisée, ces solutions ne sont pas intégrées à LangChain.

LangGraph propose une solution plus élégante avec son mécanisme de checkpointer, qui enregistre un instantané de l'état du graphe à chaque étape. En cas d'échec, il est possible de reprendre le processus à partir du dernier point de contrôle, économisant ainsi du temps et des ressources. Cette fonctionnalité permet également d'inspecter l'état avant une étape problématique ou de redémarrer à partir de n'importe quel point de contrôle antérieur.

Quand utiliser quoi

LangChain est idéal pour les flux de travail linéaires et prévisibles, tels que les pipelines RAG standard, les bots de questions-réponses simples, ou les tâches d'extraction et de classification de documents. En revanche, LangGraph est mieux adapté aux systèmes complexes nécessitant une gestion dynamique du flux de contrôle, comme les assistants de codage qui génèrent, testent et réparent du code. Pour les applications où le système est mieux compris comme un pipeline, LangChain est le choix approprié. Pour celles nécessitant un système avec état, LangGraph est préférable.