論文の概要: Graph-Based Agentic AI with LangGraph: Workflow Pathways for Long-Running Stateful Business Processes

• arxiv url: http://arxiv.org/abs/2607.19297v1
• Date: Tue, 21 Jul 2026 17:07:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.497604
• Title: Graph-Based Agentic AI with LangGraph: Workflow Pathways for Long-Running Stateful Business Processes
• Title（参考訳）: LangGraphによるグラフベースのエージェントAI - 長時間稼働するステートフルなビジネスプロセスのためのワークフローパス
• Abstract要約: タイプされた状態、条件付きルーティング、決定論的ツール、再試行、割り込み、チェックポイント、トレースがどのように適合するかを示すために、実行可能なレシピを3つ提示する。 LangGraphはワークフローの複雑さに適合する位置にあり、普遍的なデフォルトではない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper is a practitioner guide to graph-based workflow pathways for long-running, stateful, multi-step generative AI systems in business processes. Rather than treating LangGraph, a low-level orchestration framework for stateful agents, as a model-quality benchmark target, we present three executable recipes -- SQL analytics with repair loops, agentic retrieval-augmented generation with evidence gating, and human-in-the-loop policy review with interrupt and checkpoint recovery -- to show how typed state, conditional routing, deterministic tools, retries, interrupts, checkpoints, and traces fit together. LangGraph is positioned by workflow-complexity fit, not as a universal default: simpler ReAct-style or plain SDK loops may be better for basic tool use, schema-first tools for structured extraction and validation, and DSPy when prompt or program optimization is the main goal. Each recipe explains when LangGraph is worth the extra structure and which implementation patterns make routes, pauses, and audit trails explicit product behavior rather than hidden prompt logic.
• Abstract（参考訳）: 本稿では、ビジネスプロセスにおける長期的かつステートフルな多段階生成AIシステムのためのグラフベースのワークフローパスの実践的ガイドである。 モデル品質のベンチマークターゲットとして、ステートフルエージェントのための低レベルのオーケストレーションフレームワークであるLangGraphを扱う代わりに、3つの実行可能なレシピ – 修復ループを備えたSQL分析、エビデンスゲーティングを備えたエージェント検索拡張生成、割り込みとチェックポイントリカバリを備えたヒューマン・イン・ザ・ループポリシレビュー – を提示して、型付き状態、条件付きルーティング、決定的ツール、リトライ、割り込み、チェックポイント、トレースがどのように適合するかを示します。 シンプルなReActスタイルやプレーンなSDKループは基本的なツールの使用に適しており、構造化された抽出とバリデーションのためのスキーマファーストツール、プロンプトやプログラム最適化が主な目標であるDSPyである。 各レシピは、LangGraphが余分な構造に価値があるか、どの実装パターンがルートを作成し、一時停止し、監査するかを説明します。

関連論文リスト

• Procedural Graphs: Self-Evolving Execution Structures for LLM Agents [11.810729293911622]
  手続きグラフ(Procedural Graph)は、手続き的知識を、何を問うかのトリプル(手続き、関係、手続き)に整理する。 各決定ステップにおいて、フレームワークはエージェントのアクティブノードをローカライズし、ガイダンスモデルは周辺のサブグラフをステップレベルの状況ガイダンスに変換する。 LLM精製器は失敗した軌跡と成功した軌跡を対比し、グラフの位相と属性を編集する。
  論文  参考訳（メタデータ） (2026-09-08T17:59:41Z)
• Inference-Time Graph Engineering for Multi-Agent LLM Workflows [51.56038180639833]
  ReActNetは、クエリとロール特化エージェントのセットを一連の有向通信グラフにコンパイルする、トレーニング不要のフレームワークである。 ReActNetは、競争的推論コストを維持しつつ、固定トポロジと学習トポロジのベースラインを一貫して改善することを示す。
  論文  参考訳（メタデータ） (2026-09-04T23:32:11Z)
• GTA: Generating Long-Horizon Tasks for Web Agents at Scale [82.43869456830664]
  我々は、クローリング、検索ベースのシード、コンテキスト内生成、自動品質管理を統合したスケーラブルなフレームワーク、GTAを導入する。 eコマース、政府、フォーラム、ニュースをカバーする50以上のウェブサイトでパイプラインをインスタンス化し、マルチリンガルとマルチホップをカバーしています。 i) マルチホップWebエージェントタスク生成の形式化、(ii) 自動データ生成のための効率的で検証されたパイプラインの提案、(iii) 再現可能な評価を伴う動的ベンチマークのリリースである。
  論文  参考訳（メタデータ） (2026-05-28T01:05:50Z)
• GraphMind: From Operational Traces to Self-Evolving Workflow Automation [8.929269898719822]
  我々は、最小限の努力でアクション中心のワークフローグラフを構築し、実行し、進化させるシステムであるGraphMindを提案する。 このシステムは、インシデント調査のために、4つのプロダクションクラウドデータベースサービスにデプロイされている。 評価された会話の97%は、対話的なレイテンシの中で実行可能な結果をもたらす。
  論文  参考訳（メタデータ） (2026-05-17T19:22:22Z)
• GraphFlow: An Architecture for Formally Verifiable Visual Workflows Enabling Reliable Agentic AI Automation [0.0]
  GraphFlowは、ミッションクリティカルなプロセスにおけるエージェントAI自動化の信頼性向上を目的とした、ビジュアルワークフローシステムである。 既存のワークフロープラットフォームは、耐久性のある実行と可観測性を提供するが、セマンティックな正確性を保証するものはほとんどない。 3つの臨床現場で1年間のパイロットが8,728件のコホート登録ワークフローを実行し、97.08%の完成率を記録した。
  論文  参考訳（メタデータ） (2026-05-14T15:33:05Z)
• GraphWalk: Enabling Reasoning in Large Language Models through Tool-Based Graph Navigation [0.2999888908665658]
  問題に依存しない、トレーニング不要な、ツールベースのフレームワークであるGraphWalkを紹介します。 我々は、GraphWalkを組み込んだモデルが、これらの操作を正しい多段階推論チェーンに構成できるかどうかを評価する。
  論文  参考訳（メタデータ） (2026-04-02T04:43:01Z)
• GraphBit: A Graph-based Agentic Framework for Non-Linear Agent Orchestration [34.588097323063074]
  GraphBitは、明示的に決定的に有向非巡回グラフ(DAG)として定義するエンジンオーケストレーションフレームワークである。 インシデントオーケストレーションとは異なり、GraphBitのエージェントは型付き関数として動作し、Rustベースのエンジンはルーティング、状態遷移、ツール呼び出しを制御し、監査性を保証する。 一時的なスクラッチスペース、構造化状態、外部コネクタで構成される3層メモリアーキテクチャは、ステージ間でコンテキストを分離し、長時間実行中のパイプラインにおける推論を低下させるカスケードコンテキストを防止する。
  論文  参考訳（メタデータ） (2026-03-08T18:32:28Z)
• Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
  本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。 SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。 SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-01-19T08:10:53Z)
• AutoGraph-R1: End-to-End Reinforcement Learning for Knowledge Graph Construction [60.51319139563509]
  強化学習(RL)を用いたタスクパフォーマンスのKG構築を直接最適化する最初のフレームワークであるAutoGraph-R1を紹介する。 我々は2つの新しいタスク対応報酬関数を設計し、1つは知識担体としてのグラフと、もう1つは知識指標としてのグラフを設計する。 私たちの研究は、構築とアプリケーションの間のループを閉じることが可能であることを示している。
  論文  参考訳（メタデータ） (2025-10-17T06:03:36Z)
• GraphRunner: A Multi-Stage Framework for Efficient and Accurate Graph-Based Retrieval [3.792463570467098]
  GraphRunnerは、新しいグラフベースの検索フレームワークで、計画、検証、実行の3つの異なる段階で動作する。 推論エラーを著しく低減し、実行前に幻覚を検出する。 GRBenchデータセットによる評価は、GraphRunnerが既存のアプローチを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-07-11T18:10:01Z)
• Follow the Flow: Fine-grained Flowchart Attribution with Neurosymbolic Agents [106.04963073116468]
  フローチャートは意思決定プロセスを視覚化するための重要なツールです。 視覚言語モデルは、これらの図を分析する際に、存在しない接続や決定経路を幻覚させる。 LLM応答を参照してフローチャートを接地する特定の成分をトレースするフローチャートについて紹介する。 本稿では, グラフベースの推論により微細なホック帰属を行うニューロシンボリック・エージェントであるFlowPathAgentを提案する。
  論文  参考訳（メタデータ） (2025-06-02T06:02:41Z)
• Plan-over-Graph: Towards Parallelable LLM Agent Schedule [53.834646147919436]
  大規模言語モデル(LLM)はタスク計画の推論において例外的な能力を示した。 本稿では,まず実生活のテキストタスクを実行可能なサブタスクに分解し,抽象的なタスクグラフを構築する,新しいパラダイムであるプランオーバーグラフを提案する。 モデルはこのタスクグラフを入力として理解し、並列実行計画を生成する。
  論文  参考訳（メタデータ） (2025-02-20T13:47:51Z)
• Large Language Models as Realistic Microservice Trace Generators [48.730974361862366]
  本稿では,大規模言語モデル (LLM) を用いて, 合成作業負荷トレースを生成する手法を提案する。 我々はTraceLLMが様々な条件下で多様なリアルなトレースを生成し、精度と妥当性の両方において既存のアプローチよりも優れていることを示す。 TraceLLMは、キートレース機能を予測したり、欠落したデータを埋め込むといった、下流のトレース関連タスクに適応する。
  論文  参考訳（メタデータ） (2024-12-16T12:48:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。