O que é graph engineering e quando orquestrar agentes em grafo

De onde veio o termo, e o que há de novo nele

O termo ganhou as redes em julho de 2026, a partir de um post no X. Em 22 de julho, a LangChain, que desenvolve o LangGraph, publicou um balanço de três anos de agentes em grafo e foi direta: graph engineering não é uma ideia nova, é o nome mais recente de uma abordagem já estabelecida para construir agentes confiáveis.

O mesmo texto chama o termo de produto mais recente da fábrica de conteúdo sobre IA do X, ao lado de prompt, context, harness e loop engineering, e admite que esses rótulos existem porque descrevem decisões reais de quem constrói agentes.

O que mudou, na leitura da própria LangChain, é o que cabe dentro de um nó. No começo, um nó era código fixo ou uma única chamada ao modelo; agora pode ser a execução inteira de um agente, como um agente de código embutido em um fluxo maior.

Como um grafo de agentes funciona

O LangGraph se define como um framework e runtime de orquestração de baixo nível para agentes de longa duração e com estado. As peças são poucas.

• Estado: A estrutura de dados compartilhada que representa o momento atual da execução.
• Nós: Funções que recebem o estado, fazem um trabalho, como chamar o modelo, uma ferramenta ou outro agente, e devolvem o estado atualizado.
• Arestas: Ligam os nós; uma aresta normal sempre leva de A para B, e uma aresta condicional escolhe o destino a partir do estado.
• Distribuição dinâmica: Com Send, um nó manda trabalho para vários nós em paralelo, como em um map-reduce.
• Checkpointer: Grava o estado durante a execução, para retomá-la depois de uma falha ou de uma pausa para aprovação humana.

O grafo pode ter ciclos, então um agente pode voltar a um nó anterior; por segurança, o LangGraph interrompe a execução depois de um número máximo de passos, 1.000 por padrão nas versões recentes.

Grafo, loop ou agente livre: qual desenho usar

A pergunta central é quem decide o caminho. Quanto mais previsível a estrutura do trabalho, mais faz sentido desenhá-la; quanto mais aberta a tarefa, mais vale deixar o modelo planejar.

A LangChain dá exemplos dos dois lados: um agente de suporte que classifica o problema antes de responder ou escalar pede um grafo; um agente de pesquisa genérico, que precisa planejar, delegar e sintetizar, não. Por esse motivo, o GPT Researcher trocou seu pipeline em grafo por um harness de agente, o Deep Agents.

Quando graph engineering importa para a empresa

O desenho em grafo compensa quando o processo já tem forma conhecida e a empresa precisa controlar por onde a execução passa. Sinais de que é o caso:

• Aprovação no meio do fluxo: Uma regra de compliance exige que alguém aprove antes de uma ação externa, como pagar ou enviar algo ao cliente.
• Execuções longas: O fluxo leva horas ou dias e precisa sobreviver a falhas sem recomeçar do zero.
• Código e IA no mesmo fluxo: Etapas determinísticas, como validar um documento fiscal, convivem com etapas em que o modelo decide.
• Auditoria: É preciso saber por qual caminho cada caso passou e por quê.
• Especialidades diferentes: Partes do trabalho pedem ferramentas, instruções ou modelos diferentes.

Desenhamos esses fluxos com LangGraph e colocamos aprovação humana nos pontos de decisão. Dois produtos próprios da Master Timm têm esse formato: o assistente do Contas Casal roteia cada pergunta por intenção e consulta 10 ferramentas de busca em SQL em paralelo antes de responder, e o Zorbit agenda execuções de agentes de código em DAG, em que uma tarefa só começa quando as de que ela depende terminam.

Riscos do desenho em grafo

Um grafo dá controle, e controle demais também custa. Os riscos aparecem quando o grafo cresce mais rápido que a necessidade.

• Engessar uma tarefa aberta: Forçar em caminhos fixos um trabalho que pede planejamento livre piora o resultado, como a própria LangChain alerta.
• Grafo grande demais: Muitos nós e arestas condicionais viram uma máquina de estados difícil de testar e de explicar.
• Estado mal definido: Quando todo nó lê e escreve tudo, o estado compartilhado vira acoplamento, e uma mudança em um nó quebra outro.
• Custo multiplicado: Cada nó com modelo é uma chamada, e uma distribuição em paralelo multiplica as chamadas por execução.
• Pouca visibilidade: Sem traces por nó, em ferramentas como LangSmith, Langfuse ou OpenTelemetry, não dá para saber onde o fluxo errou ou gastou.

Um caminho seguro é começar com um agente simples e extrair o grafo quando os traces deixarem clara a estrutura do trabalho.