LangGraph ลดพื้นที่เก็บข้อมูล Agent Runtime ลง 40 เท่าด้วย Delta Channels

TL;DR

• LangGraph 1.2 (beta) เปิดตัว Delta Channels ช่วยลดค่าใช้จ่ายในการจัดเก็บข้อมูล checkpoint ของ agent ที่ทำงานยาวนานลงได้อย่างมหาศาล
• Delta Channels ลดขนาดข้อมูล checkpoint ลงกว่า 40 เท่า โดยเก็บเฉพาะส่วนที่เปลี่ยนแปลง (delta) ในแต่ละสเต็ป และบันทึก full snapshot เป็นช่วงๆ
• ลดปัญหา O(N²) ของพื้นที่เก็บข้อมูลที่เพิ่มขึ้นตามจำนวนรอบการทำงานของ agent ทำให้การกู้คืน session ไม่ช้าลงตามระยะเวลา

นักพัฒนาที่ใช้งาน AI agent มานานอาจเคยเจอกับปัญหาค่าใช้จ่ายในการจัดเก็บข้อมูล checkpoint ที่พุ่งสูงขึ้นเรื่อยๆ โดยเฉพาะเมื่อ agent ต้องประมวลผลเป็นระยะเวลานาน หรือมีการใช้งาน context ที่มีขนาดใหญ่ ล่าสุด LangGraph ได้เปิดตัวฟีเจอร์ใหม่ชื่อ Delta Channels ในเวอร์ชัน 1.2 (beta) ที่จะเข้ามาแก้ปัญหานี้อย่างตรงจุด ช่วยลดพื้นที่เก็บข้อมูล checkpoint ลงได้อย่างมาก ทำให้การบริหารจัดการ agent ที่ทำงานต่อเนื่องยาวนานมีประสิทธิภาพมากขึ้น

ปัญหาหลักที่เกิดขึ้นคือ โมเดลการบันทึกข้อมูลแบบ full snapshot ที่ LangGraph ใช้เดิมนั้น ทำให้พื้นที่เก็บข้อมูลเพิ่มขึ้นแบบ O(N²) เมื่อจำนวนรอบการทำงาน (turn) ของ agent เพิ่มขึ้น ส่งผลให้ค่าใช้จ่ายในการจัดเก็บข้อมูลสูงขึ้นอย่างรวดเร็ว โดยเฉพาะกับ agent ที่ต้องเก็บประวัติข้อความจำนวนมาก หรือมีการใช้ filesystem เป็นที่เก็บ context สำหรับ agent ที่ทำงาน 200 รอบการทำงาน ซึ่งอาจเก็บข้อมูลได้มากถึง 5.3 GB ด้วยวิธีเดิมๆ แต่ด้วย Delta Channels ข้อมูลนี้จะถูกลดลงเหลือเพียง 129 MB เท่านั้น

Delta Channels ทำงานโดยการเปลี่ยนแปลงวิธีการบันทึกข้อมูล checkpoint ในแต่ละสเต็ป แทนที่จะบันทึกข้อมูลทั้งหมดใหม่ทุกครั้ง Delta Channels จะเก็บเฉพาะส่วนที่เปลี่ยนแปลงไปจากสเต็ปก่อนหน้าเท่านั้น (delta) และจะมีการบันทึก full snapshot เป็นระยะๆ ทุกๆ snapshot_frequency รอบการทำงาน (ค่าเริ่มต้นคือ 50 รอบสำหรับ Deep Agents) การเปลี่ยนแปลงนี้ช่วยให้การกู้คืน session ไม่ช้าลงตามจำนวนรอบที่มากขึ้น เพราะระบบจะดึงข้อมูลจาก snapshot ล่าสุดมาเป็นฐานก่อน แล้วจึงค่อย replay ส่วน delta ที่เหลือ ซึ่งส่งผลให้ resume latency หรือความหน่วงในการกู้คืน session มีค่าคงที่

การอัปเกรดมาใช้ Delta Channels นั้นแทบจะไม่มีผลกระทบกับ workflow เดิมๆ เลย เนื่องจากเป็นการเปลี่ยนแปลงในระดับ primitive ของ LangGraph ทำให้ existing threads ที่ใช้งานอยู่ยังคงทำงานได้ตามปกติ รวมถึงการรองรับ API เดิมๆ เช่น interrupt, time-travel และ tooling ต่างๆ ยังคงเหมือนเดิม โดยสำหรับ Deep Agents เวอร์ชัน 0.6 ขึ้นไป การเก็บข้อมูล message และ file แบบ delta-backed จะกลายเป็นค่าเริ่มต้นไปแล้ว

การนำ Delta Channels มาใช้จะช่วยให้นักพัฒนาสามารถสร้าง agent ที่ซับซ้อนและทำงานได้ยาวนานขึ้น โดยไม่ต้องกังวลเรื่องค่าใช้จ่ายในการจัดเก็บข้อมูลที่เพิ่มสูงจนควบคุมไม่ได้อีกต่อไป ซึ่งเป็นก้าวสำคัญในการพัฒนา runtime ของ LangGraph เพื่อรองรับการทำงานของ agent ที่มีความสามารถสูงขึ้นเรื่อยๆ นอกจากนี้ LangSmith Platform ซึ่งเป็นแพลตฟอร์มสำหรับสังเกตการณ์ (observability) และปรับปรุงประสิทธิภาพของ agent ก็จะทำงานร่วมกับ Delta Channels ได้อย่างราบรื่น ช่วยให้นักพัฒนาเห็นภาพรวมการทำงานของ agent ได้ชัดเจนยิ่งขึ้น

สรุป

• LangGraph 1.2 (beta) เปิดตัว Delta Channels ลดปัญหาพื้นที่เก็บข้อมูล O(N²) สำหรับ agent ที่ทำงานยาวนาน
• สามารถลดขนาดข้อมูล checkpoint ลงได้กว่า 40 เท่า ทำให้ประหยัดค่าใช้จ่ายในการจัดเก็บข้อมูลอย่างมาก
• การอัปเกรดนี้โปร่งใสและไม่กระทบต่อ API เดิม ทำให้ Deep Agents v0.6+ ใช้ delta-backed เป็นค่าเริ่มต้น

แหล่งที่มา: Delta Channels: How We’re Evolving our Runtime for Long-Running Agents