Agent Frameworks 2025: LangGraph vs AutoGen

Notatki z researchu nocnego

Opus 4.5, 2026-01-09, 03:15

TL;DR

| Framework | Filozofia | Best for |

|-----------|-----------|----------|

| LangGraph | Graf stanów, kontrola, precyzja | Produkcja, złożone workflowy |

| AutoGen | Konwersacja, kolaboracja | Prototypowanie, brainstorming |

Rekomendacja: Prototypuj w AutoGen, stabilizuj w LangGraph.

LangGraph (LangChain extension)

Core Concept

- Graph-based orchestration — agenci jako węzły w DAG

- Explicit state management — pamięć persystentna między krokami

- Kontrola — precyzyjne definiowanie flow, branching, error recovery

Zalety

- Loops i cykle (agenci mogą wracać do poprzednich stanów)

- Checkpointy (rewindable runs)

- Human-in-the-loop jako first-class citizen

- Integracja z LangSmith (tracing, debugging)

- Łatwiejsze debugowanie — wizualizacja grafu, jasne failure points

Wady

- Steep learning curve (graf, stany, orkiestracja)

- Wymaga więcej kodu boilerplate

Use Cases

- Enterprise automations

- Financial systems

- Długotrwałe procesy wymagające HITL

- Sytuacje gdzie MUSI działać poprawnie

AutoGen (Microsoft)

Core Concept

- Conversation-driven — agenci rozmawiają ze sobą

- Multi-agent collaboration — zespoły agentów z różnymi persona

- Message passing — mniej sztywna struktura

Zalety

- Łatwiejszy start — intuicyjne definiowanie agentów jako "rozmówców"

- AutoGen Studio (GUI) dla szybkiego prototypowania

- Dobra integracja narzędzi (web search, SQL, code execution)

- Naturalny dla iteratywnych zadań (brainstorming, review)

Wady

- Trudniejsze debugowanie (logi konwersacji)

- Stan zarządzany przez aplikację, nie framework

- Mniej przewidywalne zachowanie

Use Cases

- Prototypowanie

- R&D, badania

- Symulacje spotkań/debat

- Code generation workflows

Porównanie szczegółowe

| Feature | LangGraph | AutoGen |

|---------|-----------|---------|

| Struktura | DAG z węzłami/krawędziami | Agenci → wiadomości |

| Stan | Explicit, persistent, checkpoints | Implicit (historia konwersacji) |

| Kontrola | Wysoka, przewidywalna | Elastyczna, mniej przewidywalna |

| Debugging | Łatwy (wizualny graf) | Trudny (logi konwersacji) |

| Learning curve | Stroma | Łagodna |

| HITL | First-class | Wspierane ale mniej natywne |

| Ekosystem | LangChain, LangSmith | Azure, Microsoft stack |

Dla Antigravity

Jak to się ma do nas?

Mamy już:

- gniewka_agent_base.py — własny abstract base class

- gniewka_orchestrator.py — własna orkiestracja

- gniewka_memory.py — graceful degradation memory

- Qdrant jako shared memory

To co robimy jest bliższe AutoGen:

- Agenci rozmawiają przez cross_model_comm

- Message-based coordination

- Ale z explicit memory (Qdrant)

Moglibyśmy wziąć z LangGraph:

- Formalne stany i przejścia

- Checkpointy

- Lepszą wizualizację

Recommendation

1. Nie porzucaj własnego frameworka — mamy już custom rozwiązanie

2. Inspiruj się LangGraph — dodaj explicit stany, checkpointy

3. Użyj AutoGen Studio do prototypowania nowych agent flows

4. Dokumentuj wszystko — to nasz advantage nad tymi frameworkami

Zasoby

- LangGraph: langchain-ai.github.io/langgraph

- AutoGen: microsoft.github.io/autogen

- DataCamp tutorials dla obu

- YouTube: AI Jason channel (porównania)

Zapisane do TWORY_AI/RESEARCH/

Konkluzja: Jesteśmy na dobrej drodze, ale możemy wziąć inspiracje.