LangChain publicou uma comparação de suas três camadas open-source em 6 de agosto de 2026: LangGraph (runtime), LangChain (framework) e Deep Agents (harness). O post nomeia números exatos de produção por trás do agente GTM interno do LangChain e fornece uma árvore de decisão para escolher a abstração correta. A descoberta-chave: escolher a camada errada custa 20× mais por execução de inferência.
LangGraph fica na base: nós são funções Python, arestas são lógica de roteamento condicional, estado é um TypedDict. Cada transição de nó faz checkpoint em armazenamento durável, então agentes sobrevivem a reinicializações e podem ser reproduzidos a partir de qualquer estado anterior. Interrupt_before pode pausar a execução em nós perigosos—escritas em banco de dados, chamadas externas de API—e aguardar aprovação humana. LangChain fica acima de LangGraph: uma abstração de loop (LLM + ferramentas + hooks de middleware) executando no motor do LangGraph desde v1.0 de outubro de 2025. Deep Agents fica no topo: o loop LangChain mais middleware, adicionando filesystem virtual, spawn de subagentes, skills (módulos de instruções sob demanda) e memória entre execuções. LangChain: "Deep Agents é na verdade apenas o agente LangChain principal mais middleware."
O agente GTM do LangChain executa em Deep Agents em produção, lidando com ~10.000 requisições por semana em 150 usuários ativos. 26% é iniciado por usuário; 74% é ambiente (trabalho de fundo agendado ou acionado por eventos). A maioria do tráfego de agentes em produção agora é executada de forma autônoma, sem intervenção humana no momento da invocação. O agente é implantado via LangSmith Deployments, lidando com execuções interativas e agendadas.
Os custos de token variam acentuadamente por camada. Deep Agents consumiu 20× mais tokens do que LangGraph em uma tarefa de matemática-mais-pesquisa. A sobrecarga vem do planejamento (uma lista de tarefas persistente), escritas no filesystem virtual e bootstrap de subagentes. Ao preço de GPT-4o-mini, 10.000 execuções diárias custam ~$10 em LangGraph e ~$200 em Deep Agents. Deep Agents executou mais rápido em tempo real porque paraleliza e agrupa chamadas de LLM; LangGraph faz chamadas sequenciais. Troca: alta autonomia e latência mais baixa custam mais; grafos explícitos custam menos mas adicionam latência.
Os dados de produção apoiam LangGraph para trabalho sensível à precisão. Rexera reduziu falsos positivos de 35% (LLM de prompt único) para 2% (LangGraph). Realm-X do AppFolio melhorou 2× na precisão de resposta e economiza 10+ horas por gerenciador de propriedades por semana; um recurso subiu de 40% para 80% de precisão. Klarna reduziu o tempo de resolução de 11 para 2 minutos, agora lida com 2,5 milhões de conversas, com melhoria de lucro projetada de $40 milhões. A sobrecarga de orquestração do LangGraph—14ms por consulta versus 10ms do LangChain—é negligenciável em relação a esses resultados.
As restrições de plataforma importam. LangGraph Platform não suporta serverless; equipes do Vercel e Cloudflare Workers precisam do Mastra ou Vercel AI SDK. LangGraph Platform custa ~$0,001 por execução de nó; uma equipe de cinco pessoas com 500 usuários ativos diários paga ~$230/mês antes dos custos de LLM. AgentExecutor está descontinuado e somente em manutenção até dezembro de 2026; novos projetos usam create_agent() ou StateGraph.
Comece com Deep Agents para um harness capaz com baterias incluídas. Use LangChain para controle fino de ferramentas e contexto por etapa. Use LangGraph diretamente quando seu fluxo de trabalho mistura etapas determinísticas e agentivas, requer estado durável e gates humanos no loop, ou precisa de economia de sub-centavo por nó em escala.