LangGraph — лучший формат для пайплайна оптимизации кампаний, если не пытаться делать из него «автопилот»

LangGraph — лучший формат для пайплайна оптимизации кампаний, если не пытаться делать из него «автопилот»

Для performance-задач LangGraph удобен не потому, что он «умный», а потому что он держит процесс в узлах: сбор данных, проверка аномалий, генерация гипотез, расчёт приоритета, передача на human review. В такой схеме агент не обязан принимать финальное решение — он обязан не терять контекст между шагами.

Минимальный пайплайн выглядит так:
— node 1: тянет spend, CTR, CVR, CPA, ROAS из API
— node 2: сравнивает с порогами и ищет выбросы
— node 3: предлагает 3-5 гипотез по крео, аудитории или ставке
— node 4: оценивает риск и ставит статус: auto / review / block

Главная ценность Graph в том, что у каждого узла есть явный вход и выход. Это резко снижает хаос, когда LLM начинает «думать слишком широко». Если узел сломался, вы чините не весь агент, а конкретный шаг: парсинг, промпт, правила, ретраи. Для команды это проще сопровождать, чем один длинный цепочный промпт.

Если хотите, чтобы пайплайн реально жил, добавьте два правила: не давать модели писать в рекламный кабинет напрямую и хранить все решения в логе с причиной. Тогда через неделю видно, где агент экономит время, а где просто красиво пересказывает метрики.

LangGraph хорошо подходит не для магии, а для дисциплины: меньше ручной рутины, больше прозрачности. Если пайплайн нельзя разложить на узлы, его рано отдавать агенту.