LangChain и LangGraph 1.0 Alpha — Устойчивое выполнение приходит в фреймворки для агентов

2 сентября 2025 года команда LangChain объявила об альфа-выпусках версии 1.0 для LangGraph и LangChain, доступных на Python и JavaScript. Официальный релиз 1.0 намечен на конец октября. Если вы ждали стабильной основы для создания ИИ-агентов, которые переживают сбои, помнят контекст и могут ожидать одобрения человека, — это тот самый этап, за которым вы следили.

Объявление (источник) важно не тем, что представляет собой блестящие новые функции, а тем, что закрепляет паттерны, которые незаметно стали незаменимыми для всех, кто запускает агентов за пределами демонстрации. Устойчивое выполнение, краткосрочная память и участие человека в процессе — это больше не экспериментальные идеи. Теперь они являются полноправными членами фреймворка, который используют в продакшене Uber, LinkedIn и Klarna.

Что именно изменилось

Давайте разберем, что происходит с каждым пакетом.

LangGraph возводится в версию 1.0 без критических изменений. Это низкоуровневый фреймворк для оркестрации агентов — инфраструктурный уровень, который определяет, как агенты работают, терпят неудачи, повторяют попытки и координируются. Встроенный рантайм агентов теперь формально включает четыре столпа: устойчивое выполнение, краткосрочную память, паттерны с участием человека и потоковую передачу. Это не новые дополнения; они проверены в боях на продакшене. Метка 1.0 — это обязательство стабильности.

LangChain получает более четкий фокус. Ранние версии объединяли десятки паттернов цепочек и агентов. За два года команда наблюдала, что реальные сценарии использования либо требовали полностью кастомных паттернов (для которых рекомендуется LangGraph), либо сходились к одной конкретной абстракции агента: дать LLM инструменты, вызвать его с входными данными, выполнить любые вызовы инструментов в цикле и завершить работу, когда LLM перестанет запрашивать инструменты.

В LangChain 1.0 эта абстракция получает полноценную реализацию через новую функцию create_agent — тот же высокоуровневый интерфейс, к которому привыкли разработчики, но теперь работающий на рантайме LangGraph под капотом. Это не совсем новинка; она была доступна как langgraph.prebuilts более года. Изменение в том, что теперь это центр пакета langchain.

langchain-core — базовый пакет, содержащий тысячи интеграций с провайдерами (OpenAI, Anthropic и другими), — также переходит на версию 1.0 без критических изменений. Примечательное дополнение — новое свойство .content_blocks для сообщений. API LLM эволюционировали от возврата строк к сообщениям со строковым содержимым, а затем к спискам блоков содержимого. LangChain стандартизирует способ доступа к ним, сохраняя обратную совместимость.

Пакет для устаревших версий сохранит старые цепочки и агентов для команд, которые еще не готовы к миграции.

Почему устойчивое выполнение важно для реальных рабочих процессов

Вот неудобная правда об ИИ-агентов в продакшене: они ломаются. API таймаутятся. Контекстные окна переполняются. Сетевые соединения рвутся посреди мысли. В демонстрации вы просто перезапускаете. В бизнес-процессе — агент обрабатывает счета, составляет договоры или координирует многошаговую исследовательскую задачу — начинать сначала — это трата токенов, времени, а иногда и денег.

Устойчивое выполнение решает эту проблему, сохраняя состояние на каждом шаге. Прогресс агента сохраняется. Если что-то ломается на шаге 14 из 20, он возобновляется с шага 14. Это разница между агентом, который работает "большую часть времени", и тем, которому можно доверить работу без присмотра на всю ночь.

Для небольших команд, создающих решения на самохостинге ИИ, это имеет двойное значение. У вас нет инженера DevOps, который следит за дашбордами в 2 часа ночи. Вам нужна инфраструктура, которая сама грациозно обрабатывает свои сбои. Закрепление этого на уровне фреймворка в LangGraph означает, что этот паттерн больше не то, что вы собираете сами — теперь это стандарт.

Краткосрочная память: контекст, сохраняющий когерентность агентов

LLM по своей природе не обладают состоянием. Каждый вызов API начинает с чистого листа. Краткосрочная память в рантайме LangGraph дает агентам оперативную память — способность запоминать, что произошло ранее в диалоге или рабочем процессе, не загромождая все окно промпта.

Это критически важно для многошаговых задач. Агент, исследующий рынок, пишущий отчет по секциям или координирующий действия с другими агентами, должен знать, что он уже сделал. Без краткосрочной памяти он либо повторяет работу, либо теряет нить повествования. С ней агенты сохраняют когерентность от хода к ходу — ведут себя больше как сотрудники с блокнотом, чем как рыбки с амнезией.

Для команд, использующих самохостинг ИИ-команды, где несколько ИИ-агентов сотрудничают в бизнес-задачах, именно такая инфраструктура памяти превращает набор чат-ботов в согласованную рабочую силу.

Участие человека: уровень доверия

Третий столп — паттерны с участием человека — устраняет разрыв в доверии. Не каждое действие агента должно быть автономным. Одобрение договора, отправка внешнего электронного письма, коммит кода в продакшен — это те моменты, когда контроль со стороны человека предотвращает дорогостоящие ошибки.

Поддержка human-in-the-loop в LangGraph превращает это в примитив рантайма, а не в то, что вы сколачиваете с помощью операторов sleep и циклов опроса. Агент может приостановиться посреди рабочего процесса, дождаться ввода от человека и возобновить работу с полным сохранением контекста. Это паттерн, который позволяет небольшим командам уверенно развертывать агентов — зная, что система не сойдет с рельсов, пока кто-нибудь не проверит карту.

Консолидация create_agent: меньше — значит больше

Одна из самых показательных частей объявления — это консолидация. LangChain начинался со множества паттернов цепочек и агентов. Два года спустя экосистема сошлась на одном. Новый create_agent как на Python, так и на JavaScript отражает этот урок:

from langchain.agents import create_agent

import { createAgent } from "langchain"

Вот этот цикл: дайте инструменты, вызовите LLM, выполните вызовы инструментов, повторяйте до завершения. Звучит просто, потому что так и есть. Сложность живет в том, как вы компонуете этих агентов, как обрабатываете их сбои и как наделяете их памятью и надзором — а это именно то, где рантайм LangGraph и берет управление на себя.

Для разработчиков это означает меньше времени на выбор между двенадцатью различными реализациями агентов и больше времени на создание самого продукта. Фреймворк сделал ставку на простоту на верхнем уровне, с мощью под капотом.

Что это значит для команд, строящих решения на самохостинге ИИ

Если вы запускаете ИИ-агентов на собственной инфраструктуре — будь то напрямую с LangGraph или через платформу, которая оркестрирует агентов за вас, — эта альфа-версия 1.0 сигнализирует о стабильности. Паттерны, которые были экспериментальными два года назад, теперь стали уровня продакшена. Окно для критических изменений закрывается. Документация консолидируется.

Три вывода для команд, выводящих ИИ-агентов в реальные бизнес-процессы:

1. Устойчивое выполнение — это необходимый минимум. Если ваш фреймворк для агентов не может пережить сбой и возобновиться, вы запускаете демонстрацию, а не систему. Встраивание этого в рантайм LangGraph устанавливает ожидания для всей индустрии.

2. Архитектура памяти определяет качество агента. Агенты без состояния тратят токены впустую и повторяют работу. Краткосрочная память — а в более широком масштабе, долгосрочные графы знаний — это то, что делает агентов полезными на протяжении дней и недель, а не только в рамках одной сессии.

3. Контрольные точки с участием человека — это функция, а не сбой. Лучшие системы с агентами не являются полностью автономными. Это системы, где люди одобряют самые важные моменты. Превращение этого в полноценный паттерн в LangGraph побуждает команды создавать агентов, которые одновременно capable и безопасны.

Взгляд в сторону октября

Альфа-версия доступна уже сейчас — на Python через pip install langchain==1.0.0a3 и pip install langgraph==1.0.0a1, на JavaScript через npm install langchain@next и npm install @langchain/langgraph@alpha. Команда активно собирает отзывы перед официальным релизом, намеченным на конец октября.

Также запущен новый централизованный сайт документации, объединяющий документацию на Python и JavaScript в одном месте — практическое улучшение, отражающее зрелость экосистемы.

Главный вывод: фреймворки для ИИ-агентов взрослеют. Паттерны, которые имеют значение — устойчивость, память, человеческий надзор — стандартизируются, а не изобретаются каждой командой заново. Строите ли вы напрямую на LangGraph или используете уровень оркестрации, который берет на себя всю подводную часть, направление ясно. Агенты, работающие в продакшене, должны быть устойчивыми, когерентными и управляемыми. Веха 1.0 в LangChain и LangGraph делает эту основу официальной.