LangGraph

NiadraMiddleware embrulha cada chamada ao modelo do agente criado por langchain.agents.create_agent: o contexto entra na mensagem de sistema, os turnos são registrados e as ferramentas do histórico vêm junto. Só em Python; em JavaScript, o LangGraph.js usa withNiadraContext() de LangChain.

Instalar

pip install 'niadra[langgraph]'   # langgraph 1.2, langchain 1.4 e langchain-core 1.6 ou mais novos, abaixo da 2

As cinco primitivas

Primitiva	Como o adaptador liga
Contexto	O contexto é acrescentado à mensagem de sistema, o que deixa as suas instruções primeiro, e o `turn_block` vai depois das mensagens. Nada é escrito no estado do grafo: o checkpointer nunca guarda um contexto
Turnos	As mensagens do cliente são registradas antes da chamada, chaveadas pela posição na conversa (o histórico que o checkpointer repete nunca é registrado duas vezes); a resposta do modelo, com o `usage_metadata`, depois dela
Ferramentas	O middleware traz as ferramentas do histórico (e as da memória do agente) como `tools` próprias, então `create_agent` as oferece sem você listar
Verificação	`conversation.verify()` antes de invocar o agente
Transbordo	`transferred_to_agent()` e `transferred_to_human()` registram a transferência; chame onde o grafo passa a conversa adiante

Para o langgraph.prebuilt.create_react_agent mais antigo, passe pre_model_hook=pre_model_hook(conversation): ele entrega ao modelo as mesmas mensagens por llm_input_messages, também sem tocar no estado; registre os turnos com o NiadraCallbackHandler de niadra.integrations.langchain.

Exemplo mínimo

"""A LangGraph agent (langchain.agents.create_agent) with the customer's memory as middleware."""

import asyncio

from langchain.agents import create_agent

from niadra import AsyncNiadra, phone
from niadra.integrations.langgraph import NiadraMiddleware

niadra = AsyncNiadra(channel="chat")


async def main() -> None:
    async with niadra.conversation("thread-81", subject=phone("+5511912345678")) as conversation:
        agent = create_agent(
            "openai:gpt-4.1",
            system_prompt="You are Acme's agent.",
            middleware=[NiadraMiddleware(conversation)],
        )
        result = await agent.ainvoke(
            {"messages": [{"role": "user", "content": "Where is my replacement lid?"}]}
        )
        print(result["messages"][-1].content)
    await niadra.close()


asyncio.run(main())

O mesmo código está em examples/langgraph_agent.py.

Memória do agente

NiadraMiddleware(conversation, agent_memory=True) põe as notas do próprio agente logo antes do contexto do cliente e acrescenta search_agent_memory (e remember, com write) às ferramentas. Veja Memória do agente.

Limites

Sem BaseStore próprio: a Niadra não é o armazenamento de estado do grafo.
Sem nó próprio para o LangGraph.js: withNiadraContext() de @niadra/sdk/langchain já dá ao nó do modelo o contexto sem escrevê-lo no estado do grafo que o checkpointer guarda.
Nada aqui derruba o agente: com a Niadra lenta ou fora, a chamada ao modelo segue sem o contexto.
Testado contra langgraph 1.2 e langchain 1.4 com um chat model falso e a Niadra no emulador.

Começar

Voz

Canais

Frameworks de agente

SDKs de modelo

Plataformas de automação

Clientes MCP

Instalar

As cinco primitivas

Exemplo mínimo

Memória do agente

Limites

Próximos passos

LangChain

Agentes internos

​Instalar

​As cinco primitivas

​Exemplo mínimo

​Memória do agente

​Limites

​Próximos passos

LangChain

Agentes internos

Instalar

As cinco primitivas

Exemplo mínimo

Memória do agente

Limites

Próximos passos