A distinção é importante porque cada camada resolve um problema diferente: um modelo executa inferência; um framework coordena componentes; uma biblioteca oferece implementações reutilizáveis; uma plataforma opera e disponibiliza capacidades em escala.
Frameworks de aplicação e agentes
LangChain
Framework para desenvolver aplicações e agentes apoiados por modelos, ferramentas, prompts e integrações.
LangGraph
Framework de orquestração de baixo nível para agentes e workflows stateful, com recursos como execução durável, streaming, persistência, memória e human-in-the-loop.
O LangGraph pode ser usado independentemente do LangChain, embora os agentes de LangChain usem LangGraph como base de execução.
Bibliotecas
Exemplos:
- scikit-learn — biblioteca de Machine Learning clássico;
- PyTorch — framework/biblioteca para computação tensorial e redes neurais;
- TensorFlow — plataforma e biblioteca para desenvolvimento de Machine Learning;
- Hugging Face Transformers — framework de definição e uso de arquiteturas/modelos de texto, visão, áudio, vídeo e multimodais.
Uma biblioteca pode implementar modelos. Isso não transforma a biblioteca em um modelo.
Plataformas
Exemplos:
- Amazon Bedrock;
- Amazon SageMaker AI;
- Vertex AI;
- Azure AI Foundry.
Esses ambientes podem disponibilizar modelos, APIs, avaliação, deployment, monitoramento e outros serviços.
Regra editorial da Universidade IA
Quando uma nova tecnologia entrar no acervo, primeiro responder:
- Ela aprende ou executa inferência? Pode ser um modelo.
- Ela define como treinar um modelo? Pode ser algoritmo ou biblioteca.
- Ela coordena modelos, ferramentas e estado? Provavelmente é framework.
- Ela hospeda, disponibiliza ou governa esses componentes? Provavelmente é plataforma.
Essa regra evita colocar LangChain ao lado de LightGBM ou Claude como se fossem entidades da mesma camada.
Conteúdos relacionados
- Modelos de Inteligência Artificial — explica a camada de capacidade aprendida que frameworks e plataformas consomem.
- GenAI — visão de aplicações que combinam modelos, contexto, ferramentas, agentes e governança.
- Engenharia de Grafos — aprofunda orquestração, estado, transições, human-in-the-loop e workflows agênticos.
- Machine Learning — catálogo inicial — separa modelos clássicos de bibliotecas como scikit-learn e de frameworks de aplicação.
Como aprofundar
- Pergunta: quais critérios distinguem framework, biblioteca, runtime e plataforma em ferramentas
contemporâneas de IA?
- Fonte ou método: documentação oficial, arquitetura do produto e responsabilidades operacionais.
- Por que importa: várias tecnologias acumulam mais de um papel e não cabem em rótulos simplistas.
- Pergunta: quais frameworks de agentes merecem comparação própria?
- Fonte ou método: executar AM-021 usando dimensões como state, workflow, tool use, memory, multi-agent, human-in-the-loop e deployment.
- Por que importa: permite comparar função arquitetural, não popularidade.
- Pergunta: quando uma ferramenta deve ganhar página individual?
- Fonte ou método: aplicar a política editorial prevista na AM-026: relevância durável, uso recorrente, complexidade conceitual e necessidade de manutenção.
- Por que importa: evita que a Universidade IA vire catálogo de produtos.
Fontes e caminhos de aprofundamento
Consultadas diretamente
- LangChain — visão oficial do framework: https://www.langchain.com/langchain
- LangGraph — visão oficial do framework: https://www.langchain.com/langgraph
- LangGraph Reference: https://reference.langchain.com/python/langgraph
- Hugging Face Transformers: https://huggingface.co/docs/transformers/
Sugeridas para investigação
- Documentação oficial de frameworks e plataformas adicionais quando entrarem no inventário da AM-026.
- Critérios de interoperabilidade, observabilidade e lock-in quando a comparação avançar de taxonomia para arquitetura.
Estado editorial: em evolução; nomes e responsabilidades de ferramentas mudam com frequência e devem ser revistos quando houver mudança material de posicionamento.
Última revisão: 2026-09-21