LangGraph
📝 Définition courte
Bibliothèque (écosystème LangChain) qui modélise un agent ou un pipeline RAG comme un graphe orienté : nœuds (actions LLM, outils, retrieval), arêtes (transitions), état partagé et cycles contrôlés1.
📖 Définition détaillée
LangGraph permet de construire des workflows agentiques explicites : au lieu d’une chaîne linéaire, on définit des étapes rejouables (ex. « retrieve → grade → rewrite → generate »), avec persistance d’état entre tours et points d’arrêt pour human-in-the-loop.
En on-premise, LangGraph s’utilise souvent avec un backend vLLM ou Ollama local, une base vectorielle et des outils métier (SQL, API internes). C’est une alternative structurée à des frameworks plus minimalistes comme SmolAgents quand le flux devient complexe.
💡 Pourquoi c’est important en IA on-premise
- Pattern Agentic RAG : self-correcting retrieval, re-planification après échec d’outil.
- Gouvernance : graphe lisible = auditabilité des étapes (vs boîte noire monolithique).
- Complète 🧩 RAG & Agents pour les équipes déjà sur l’écosystème LangChain.
⚠️ Pièges fréquents
- Empiler LangGraph + LangChain sans auditer la télémétrie : certains composants peuvent contacter des services cloud par défaut — configurer en mode offline/on-prem.
- Graphes trop profonds sans limite de tours : risque Excessive Agency (OWASP LLM06) et explosion de coût/latence.
- Oublier la persistance d’état : redémarrage = perte de contexte agent si non externalisé (Redis, SQLite).
📚 Pour comprendre en profondeur
- 🧩 RAG & Agents — Agentic RAG et orchestration
- Agent autonome
- Appel d'outils
🔗 Voir aussi
Footnotes
-
LangGraph — documentation officielle. https://langchain-ai.github.io/langgraph/ ↩