நம்பகமான AI agents-இன் பின்னுள்ள architecture: LangChain, LangGraph, மற்றும் கட்டுப்பாட்டின் கதை

பெரும்பாலான நிறுவனங்கள் AI agents-ஐ ஏற்றுக்கொள்ளலாமா என்ற கேள்வியை இப்போது கடந்துவிட்டன. கடினமான கேள்வி வந்துவிட்டது: கட்டுப்பாட்டை இழக்காமல், உங்கள் சார்பில் சுயாட்சி software-ஐ எப்படி நடந்துகொள்ள அனுமதிப்பது? பதில் இன்னும் பெரிய model அல்ல. அது சிறந்த architecture. LangChain-இலிருந்து LangGraph-க்கான பரிணாமத்தை விட இந்த மாற்றத்தைத் தெளிவாக விளக்கும் கதை சிலவே; அந்தப் பாடங்கள் இன்று multi-agent systems உருவாக்கும் எந்த நிறுவனத்துக்கும் நேரடியாகப் பொருந்தும்.

இது ஏன் இப்போது முக்கியம்

Agentic AI பரிசோதனையிலிருந்து production-க்குக் கடந்துவிட்டது. October 2025-இல், LangChain நிறுவனம் IVP தலைமையிலான Series B சுற்றில், Sequoia, Benchmark, CapitalG மற்றும் ServiceNow, Workday, Cisco, Datadog, Databricks ஆகியோரின் venture பிரிவுகளின் பங்கேற்புடன், 1.25 பில்லியன் US dollar மதிப்பீட்டில் 125 மில்லியன் US dollar பெற்றது. LangChain மற்றும் LangGraph சேர்த்து மாதம் சுமார் 90 மில்லியன் downloads என்றும், Fortune 500-இல் மூன்றில் ஒரு பங்குக்கு மேல் தன் சேவைகளைப் பயன்படுத்துவதாகவும் நிறுவனம் தெரிவிக்கிறது. Klarna, Cloudflare, Workday, Cisco, LinkedIn உட்பட நிறுவனங்கள் LangGraph-ஐ production-இல் இயக்குவதாக நிறுவனம் கூறுகிறது.

முதலீட்டாளர்களும் enterprise வாங்குநர்களும் chatbots-க்குப் பணம் செலுத்தவில்லை. Agents-ஐ நம்பகமானதாகவும், கண்காணிக்கக்கூடியதாகவும் (observable), நிர்வகிக்கக்கூடியதாகவும் (governable) ஆக்கும் அடுக்குக்காகச் செலுத்துகின்றனர். Boards கேள்வி எழுப்ப வேண்டிய அடுக்கு அதுவே.

என்ன நடந்தது

LangGraph-ஐ உருவாக்கியது LangChain நிறுவனமே; அது தனி நிறுவனமல்ல. கதை Harrison Chase-இல் தொடங்குகிறது: Harvard-இல் statistics மற்றும் computer science படித்தவர்; Kensho-வில் entity linking வேலை; பின்னர் Robust Intelligence-இல் machine learning testing வேலைக்குத் தலைமை. October 2022-இல் அவர் LangChain-ஐ open source Python திட்டமாக வெளியிட்டார் - large language models மீது applications உருவாக்கும் போது models-ஐ tools, data sources மற்றும் workflows-உடன் இணைக்கும் அழகில்லா plumbing வேலையை அது தீர்த்தது.

2023 தொடக்கத்தில், Princeton-இல் படித்த engineer-உம், Facebook-இல் நான்கு ஆண்டுகள் கழித்தவரும், Robust Intelligence-இல் முன்னாள் சகபணியாளருமான Ankush Gola-உடன் சேர்ந்து Chase, LangChain நிறுவனத்தை இணை-நிறுவினார். Tools பயன்படுத்தக்கூடிய, state தக்கவைக்கக்கூடிய, முடிவெடுக்கக்கூடிய, சிக்கலான workflows இயக்கக்கூடிய நம்பகமான AI agents-ஐ developers உருவாக்க உதவும் தயாரிப்பு பார்வையை Chase முன்னெடுத்தார். Open source திட்டத்தைச் சுற்றி நிறுவனத்தை - அதன் வணிக மற்றும் இயக்க வளர்ச்சி உட்பட - உருவாக்குவதில் Gola பங்காளியானார்.

அதன்பின் வந்த தொடர் ஒவ்வொரு தொழில்நுட்பத் தலைவருக்கும் போதனையானது. LangChain LLM applications உருவாக்கும் framework-ஆகத் தொடங்கியது. பயன்பாடு வளர, developers ஒரு சுவரைத் தாக்கினர்: எளிய prompt chains-ஆல் நீண்டநேரம் ஓடும், நம்பகமான, கட்டுப்படுத்தக்கூடிய agent workflows-ஐ ஆதரிக்க முடியாது. January 2024-இல் நிறுவனம் LangGraph-உடன் பதிலளித்தது - human approval படிகள், retries, persistence மற்றும் சிக்கலான orchestration-ஐ ஆதரிக்கும் stateful AI agents-க்கான graph-based runtime. October 2025-இல் LangChain மற்றும் LangGraph இரண்டும் 1.0 stability மைல்கற்களை அடைந்தன; LangChain framework தாமே LangGraph runtime-இன் மீது மறுகட்டமைக்கப்பட்டது. Ecosystem-ஐத் தொடங்கிய framework, இப்போது அது உருவாக்கிய orchestration engine-இன் மீது ஓடுகிறது.

தொழில்நுட்ப மற்றும் architecture தாக்கங்கள்

Chains-இலிருந்து graphs-க்கான நகர்வு பெயர் மாற்றம் மட்டுமல்ல. Chain ஒரு நேர்க்கோடு: நிலையான வரிசையில் input output-ஆக ஓடும். Graph ஒரு முடிவுகளின் வரைபடம்: ஒரு agent கிளைபிரிக்கலாம் (branch), சுழல்லாம் (loop), மீள்முயற்சி செய்யலாம் (retry), நிபுணத்துவ agents-க்குப் பணி ஒப்படைக்கலாம், மனித உள்ளீட்டுக்காக இடைநிற்கலாம். Enterprise architects-க்கு மூன்று பண்புகள் மிக முக்கியம்.

முதலாவது, state முதல்தர குடிமகனாகிறது. LangGraph ஒவ்வொரு agent workflow-இன் state-ஐயும் checkpointing மூலம் தக்கவைக்கிறது; ஒரு செயல்முறை ஒப்புதலுக்காக மணிநேரங்கள் காத்திருந்து, நின்ற இடத்திலிருந்தே மீண்டும் தொடரலாம். இரண்டாவது, human-in-the-loop கட்டுப்பாடு runtime-இல் உள்ளமைக்கப்பட்டுள்ளது, பின்னர் பொருத்தப்பட்டதல்ல. ஒரு approval படி graph-இன் ஒரு node; user interface-இன் பிற்பாடு அல்ல. மூன்றாவது, orchestration முறைகள் வெளிப்படையாகின்றன. ஒரு supervisor agent, யார் என்ன செய்யலாம் என்பது பற்றிய தெளிவான ஒப்பந்தங்களுடன், நிபுணத்துவ agents-ஐ படிநிலையில் ஒருங்கிணைக்கலாம்.

நடைமுறையில், agent orchestration ஒரு புதிய middleware அடுக்காக enterprise stack-இல் உருவெடுக்கிறது - ஒருகாலத்தில் application servers databases-க்கும் user interfaces-க்கும் இடையில் அமர்ந்ததுபோல், foundation models-க்கும் வணிக அமைப்புகளுக்கும் இடையில் அமர்கிறது. LangSmith போன்ற observability platforms, agent நடத்தையை trace செய்யவும் test செய்யவும் முடியுமாறு செய்து இந்தக் காட்சியை நிறைவுசெய்கின்றன.

வணிக மற்றும் போட்டித் தாக்கங்கள்

Enterprise AI-இல் போட்டி அரண் (moat) மூல அறிவல்ல, நம்பகத்தன்மை. ஓர் எடுத்துக்காட்டாக insurance claims செயலாக்கத்தைக் கருதுங்கள். ஒரு claims platform, document intake, policy verification, damage assessment மற்றும் fraud screening-க்கான நிபுணத்துவ agents-ஐ கட்டுப்படுத்த ஒரு supervising orchestrator agent-ஐப் பயன்படுத்தலாம். இரவில் சான்றுகளைத் தொகுத்து, policy விதிமுறைகளைச் சரிபார்த்து, settlement-ஐ மதிப்பிட்டு, விசாரணைக்கான முறைகேடுகளைக் குறிக்க முடியும். அதற்குச் செய்ய முடியாதது ஒன்றே ஒன்று: பணம் வெளியிடுதல். அந்த நடவடிக்கை ஒரு approval gate-இன் பின்னே உள்ளது; அங்கீகரிக்கப்பட்ட claims அதிகாரி மட்டுமே அதைத் தொடங்க முடியும்.

LangGraph வடிவமைக்கப்பட்டது துல்லியமாக இந்த முறைக்காகத்தான்; insurance, banking, healthcare போன்ற ஒழுங்குபடுத்தப்பட்ட துறைகளில் framework குறிப்பாகப் பொருத்தமாக இருப்பதும் இதற்காகவே. வணிகத் தர்க்கம் எளிது: தவறான நடவடிக்கையின் விலை அடக்கப்பட்டிருக்கும்போது மட்டுமே automation-இன் பெறுமதி பெருகும். இந்த முறையைத் தழுவிய நிறுவனங்கள், பிழைகள் மலிவான இடங்களில் தைரியமாக automate செய்து, பிழைகள் விலையுயர்ந்த இடங்களில் உறுதியாக gate செய்யும். Agents-ஐ மேற்பார்வையற்ற automation-ஆகக் கருதும் போட்டியாளர்கள், பயத்தால் மிக மெதுவாக நகர்வார்கள் அல்லது மிக வேகமாக நகர்ந்து பகிரங்கமாக விலை செலுத்துவார்கள்.

அபாயங்களும் governance கருதுகோள்களும்

நான்கு அபாயங்கள் board மட்டக் கவனத்துக்கு உரியவை. Gates இல்லாத சுயாட்சி: approval checkpoints இன்றி வெளி அமைப்புகளில் நடந்துகொள்ளக்கூடிய ஒரு agent இயக்க மற்றும் புகழ் அபாயம். Auditability: நிலையான state மற்றும் முழு traces compliance-க்குச் சொத்துக்கள் - ஆனால் retention, access மற்றும் privacy கட்டுப்பாடுகள் தொடக்கத்திலிருந்தே வடிவமைக்கப்பட்டால் மட்டுமே. Concentration risk: LangGraph MIT licence கீழ் open source என்பதால் framework மட்டத்தில் lock-in குறைவு; ஆனால் deployment மற்றும் observability சுற்றியுள்ள வணிக platform சேவைகள் இன்னும் சார்பை உருவாக்குகின்றன - அதையும் எந்த மூலோபாய vendor உறவைப் போலவே மதிப்பீடு செய்ய வேண்டும். Regulatory எதிர்பார்ப்பு: உலகெங்கும் supervisory அமைப்புகள் விளைவுள்ள automated முடிவுகளில் நிரூபிக்கக்கூடிய மனித மேற்பார்வையை பெருகிவரும் அளவில் எதிர்பார்க்கின்றன; approval gates அதை நிரூபிக்கும் மிகத் தெளிவான வழிகளில் ஒன்று.

CEOs என்ன செய்ய வேண்டும்

1. உங்கள் நிறுவனத்தில் agents என்ன பதில் சொல்ல முடியும் என்பதை அல்ல, எங்கு நடந்துகொள்ள முடியும் என்பதைக் கேளுங்கள். படிக்கும் agent-இன் அபாய அளவுகோல், பரிவர்த்தனை செய்யும் agent-இன் அபாய அளவுகோலிலிருந்து முற்றிலும் வேறு.

2. எழுத்துப்பூர்வ approval-gate policy-ஐக் கோருங்கள்: எந்த முடிவுகளை agents தனியாக எடுக்கலாம், எதற்கு மனித ஒப்புதல் தேவை, ஒவ்வொரு gate-க்கும் பொறுப்பாளி யார்.

3. நடரிக்கைகளுக்கு (demonstrations) அல்ல, reliability engineering-க்கு நிதி ஒதுக்குங்கள். Observability, evaluation மற்றும் state management ஆகியவற்றை விருப்பக் கூடுதல்களாக அல்ல, agentic AI-இன் மையச் செலவுகளாகக் கணக்கிடுங்கள்.

4. Orchestration frameworks-ஐ பல்வருட விளைவுகளுள்ள மூலோபாய உள்கட்டமைப்பு முடிவுகளாகக் கருதி, board risk committee-ஐ முன்கூட்டியே ஈடுபடுத்துங்கள்.

CTOs என்ன செய்ய வேண்டும்

1. குழுக்கள் தனித்தனி agent stacks-ஐப் பெருக்குவதற்கு முன் ஒரு orchestration அடுக்கில் தரப்படுத்துங்கள். உங்கள் கட்டுப்பாடு, persistence மற்றும் audit தேவைகளுக்கு எதிராக LangGraph-ஐ மாற்றுகளுடன் சேர்த்து மதிப்பீடு செய்யுங்கள்.

2. Human-in-the-loop-ஐ architecture-ஆக வடிவமையுங்கள். Approval படிகள் முன்னணி (front-end) வழக்கமல்ல; முழு state checkpointing-உடன் workflow graph-இல் நிலையான nodes ஆக இருக்க வேண்டும்.

3. அனைத்தையும் instrument செய்யுங்கள். ஒவ்வொரு agent முடிவும் compliance-உம் engineering-உம் மீண்டும் இயக்கக்கூடிய (replay) ஒரு trace-ஐ உருவாக்க வேண்டும்.

4. Procurement, claims அல்லது vendor management போன்ற அசமமான (asymmetric) workflows-இல் தொடங்குங்கள் - ஆராய்ச்சியும் பரிந்துரையும் பாதுகாப்பாக automate ஆகலாம்; உறுதிமொழி நடவடிக்கைகள் gate-இன் பின்னே இருக்கும்.

5. வெளியேறும் விருப்பத்தை (exit optionality) உருவாக்குங்கள். Agent logic-ஐ நகர்த்தக்கூடியதாக (portable) வைத்து, open source framework-க்கும் வணிக platform சேவைகளுக்கும் இடையிலான எல்லையை ஆவணப்படுத்துங்கள்.

மூலோபாய முடிவுரை

LangChain-இலிருந்து LangGraph வரையிலான பயணம், ஒவ்வொரு நிறுவனமும் இப்போது மேற்கொள்ள வேண்டிய பயணத்தின் கண்ணாடி: ஈர்க்கும் prototypes-இலிருந்து நிர்வகிக்கப்படும் production systems வரை. Multi-agent சகாப்தத்தின் வெற்றியாளர்கள் அதிக agents உள்ள நிறுவனங்கள் அல்ல. தங்கள் agents-க்கு என்ன அனுமதி உள்ளது என்பதை துல்லியமாக அறிந்து, அதை நிரூபிக்க முடிந்து, அந்த நம்பிக்கையை வணிகம் முழுவதும் விரிவாக்க முடிந்த நிறுவனங்களே.

சிந்தனைக் கேள்வி

ஒரு AI agent தானாக முடிவெடுக்கக்கூடியதற்கும், மனிதர் அவசியம் ஒப்புதல் அளிக்க வேண்டியதற்கும் இடையிலான எல்லைக்கோட்டை உங்கள் நிறுவனத்தில் எங்கு வரைவீர்கள்? உங்கள் கருத்தைக் கேட்க விரும்புகிறேன்.