{"id":3434472,"date":"2026-02-23T13:28:10","date_gmt":"2026-02-23T12:28:10","guid":{"rendered":"https:\/\/datanorth.ai\/blog\/langgraph-stateful-multi-agent-systems"},"modified":"2026-02-25T14:53:00","modified_gmt":"2026-02-25T13:53:00","slug":"langgraph-stateful-multi-agent-systemen","status":"publish","type":"post","link":"https:\/\/datanorth.ai\/nl\/blog\/langgraph-stateful-multi-agent-systemen","title":{"rendered":"LangGraph: Stateful multi-agent systems"},"content":{"rendered":"\n<p>LangGraph is een open-source framework ontwikkeld door de makers van <a href=\"https:\/\/www.langchain.com\" target=\"_blank\" rel=\"noreferrer noopener\">LangChain<\/a> dat de bouw van stateful, multi-agent applicaties mogelijk maakt met behulp van een op graphs gebaseerde architectuur. In tegenstelling tot traditionele lineaire ketens stelt LangGraph developers in staat om complexe workflows te defini\u00ebren met loops, conditionele vertakkingen en persistent geheugen.<\/p>\n\n\n\n<p>Terwijl we richting <a href=\"https:\/\/datanorth.ai\/nl\/dienst\/ai-agents\">AI Agents<\/a> bewegen, vereist de overgang van simpele chatbots naar autonome agents een geavanceerde orchestratielaag. LangGraph adresseert de beperkingen van <a href=\"https:\/\/en.wikipedia.org\/wiki\/Directed_acyclic_graph\" target=\"_blank\" rel=\"noreferrer noopener\">Directed Acyclic Graphs (DAGs)<\/a> door een systeem te bieden waarin agents eerdere stappen opnieuw kunnen bezoeken, zichzelf kunnen corrigeren en een gedeelde staat kunnen behouden over langdurige interacties.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Wat is LangGraph?<\/h2>\n\n\n\n<p>LangGraph is een bibliotheek voor het bouwen van stateful, multi-actor applicaties met Large Language Models (LLM&#8217;s). Het is gebouwd bovenop LangChain, maar fungeert als een afzonderlijk architecturaal paradigma. Waar LangChain uitblinkt in het cre\u00ebren van lineaire sequenties van taken, is LangGraph ontworpen voor &#8220;agentic&#8221; workflows die inherent niet-lineair zijn.<\/p>\n\n\n\n<p><strong>Het framework draait om drie kernconcepten:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Nodes:<\/strong>\u00a0Dit zijn de bouwstenen van de graph. Elke node is een Python-functie of een Runnable die een specifieke actie uitvoert, zoals het aanroepen van een LLM, het doorzoeken van een database of het uitvoeren van code.<\/li>\n\n\n\n<li><strong>Edges:<\/strong>&nbsp;Deze defini\u00ebren de overgangen tussen nodes. Edges bepalen de executieflow, inclusief conditionele edges die de workflow routeren op basis van de output van een eerdere node.<\/li>\n\n\n\n<li><strong>State:<\/strong>&nbsp;Dit is een gedeelde datastructuur (meestal een&nbsp;<code><a href=\"https:\/\/typing.python.org\/en\/latest\/spec\/typeddict.html\" data-type=\"link\" data-id=\"https:\/\/typing.python.org\/en\/latest\/spec\/typeddict.html\" target=\"_blank\" rel=\"noreferrer noopener\">TypedDict<\/a><\/code>&nbsp;of&nbsp;<code><a href=\"https:\/\/docs.pydantic.dev\/latest\/concepts\/models\/\" target=\"_blank\" rel=\"noreferrer noopener\">Pydantic model<\/a><\/code>) die de huidige momentopname van de applicatie representeert. Elke node leest van en schrijft naar deze staat, wat zorgt voor persistentie van de context.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Waarvoor gebruik je LangGraph<\/h2>\n\n\n\n<p>LangGraph is specifiek ontwikkeld voor scenario&#8217;s waarin een lineaire uitvoering in \u00e9\u00e9n enkele stap onvoldoende is. Organisaties zetten LangGraph in om <a href=\"https:\/\/datanorth.ai\/nl\/dienst\/ai-agents\">geavanceerde AI agents <\/a>te bouwen die een hoge mate van autonomie en betrouwbaarheid vereisen.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">1. Multi-agent samenwerking<\/h3>\n\n\n\n<p>Complex taken vereisen vaak gespecialiseerde agents die samenwerken. Een softwareontwikkelingsworkflow kan bijvoorbeeld inhouden dat \u00e9\u00e9n agent code schrijft, een tweede agent deze beoordeelt en een derde agent tests uitvoert. LangGraph beheert de overdrachten en communicatie tussen deze agents via de gedeelde staat.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">2. Human-in-the-loop (HITL) workflows<\/h3>\n\n\n\n<p>Voor bedrijfskritische applicaties is menselijk toezicht verplicht. Het checkpointing-systeem van LangGraph stelt een workflow in staat om de uitvoering te pauzeren, de staat op te slaan in een database en te wachten op menselijke goedkeuring of interventie voordat deze wordt hervat.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">3. Iteratieve RAG (Retrieval-Augmented Generation)<\/h3>\n\n\n\n<p>Standaard RAG faalt vaak als de initi\u00eble ophaalactie niet relevant is. LangGraph maakt <a href=\"https:\/\/docs.langchain.com\/oss\/python\/langgraph\/agentic-rag\" target=\"_blank\" rel=\"noreferrer noopener\">Corrective RAG (CRAG)<\/a> mogelijk, waarbij een agent de opgehaalde documenten evalueert en, indien deze ontoereikend zijn, terugkeert naar een eerdere stap om de zoekopdracht te verfijnen of een andere databron te proberen.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">4. Langlopende business processes<\/h3>\n\n\n\n<p>Processen zoals geautomatiseerde customer onboarding of juridische contractanalyse omvatten meerdere fasen die uren of dagen in beslag kunnen nemen. De persistentielaag van LangGraph zorgt ervoor dat het systeem kan herstellen van fouten en de voortgang over sessies heen behoudt.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Hoe gebruik je LangGraph<\/h2>\n\n\n\n<p>Het implementeren van een LangGraph-applicatie volgt een gestructureerd proces van vier stappen: de staat defini\u00ebren, nodes maken, edges vastleggen en de graph compileren.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Stap 1: Definieer de staat<\/h3>\n\n\n\n<p>De staat is de &#8220;source of truth&#8221; voor de graph Je moet defini\u00ebren welke informatie moet worden bijgehouden.<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>from typing import Annotated, TypedDict\nfrom langgraph.graph.message import add_messages\n\nclass State(TypedDict):\n    # 'add_messages' is a reducer that appends new messages to history\n    messages: Annotated&#091;list, add_messages]<\/code><\/pre>\n\n\n\n<h3 class=\"wp-block-heading\">Stap 2: maak de nodes<\/h3>\n\n\n\n<p>Nodes zijn functies die de huidige staat als input nemen en een update van die staat teruggeven.<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>def assistant(state: State):\n    return {\"messages\": &#091;llm.invoke(state&#091;\"messages\"])]}<\/code><\/pre>\n\n\n\n<h3 class=\"wp-block-heading\">Stap 3: Definieer edges en logica<\/h3>\n\n\n\n<p>Je verbindt de nodes met&nbsp;<code>add_edge<\/code>&nbsp;voor directe overgangen of&nbsp;<code>add_conditional_edges<\/code>&nbsp;voor op logica gebaseerde routering.<\/p>\n\n\n\n<p>Python:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>from langgraph.graph import StateGraph, START, END\n\nworkflow = StateGraph(State)\nworkflow.add_node(\"assistant\", assistant)\nworkflow.add_edge(START, \"assistant\")\nworkflow.add_edge(\"assistant\", END)<\/code><\/pre>\n\n\n\n<h3 class=\"wp-block-heading\">Stap 4: Compileer en voer uit<\/h3>\n\n\n\n<p>Het compileren van de graph valideert de structuur en cre\u00ebert een&nbsp;<code>CompiledGraph<\/code>-object dat kan worden aangeroepen of gestreamd. Om een praktische toepassing in je organisatie te zien, kun je een&nbsp;AI-demo boeken&nbsp;om aangepaste implementaties te verkennen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Voor- en nadelen van LangGraph<\/h2>\n\n\n\n<p>Hoewel LangGraph aanzienlijke kracht biedt, introduceert het een niveau van architecturale complexiteit die moet worden afgewogen tegen de projectvereisten.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Voordelen<\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Cycli en loops:<\/strong>\u00a0In tegenstelling tot de Chain-objecten van LangChain ondersteunt LangGraph cyclische graphs, wat iteratief redeneren en zelfcorrectie mogelijk maakt.<\/li>\n\n\n\n<li><strong>Granulaire controle:<\/strong>&nbsp;Developers hebben precieze controle over de executieflow, wat het makkelijker maakt om specifiek agent-gedrag te debuggen.<\/li>\n\n\n\n<li><strong>Persistentie:<\/strong>\u00a0Ingebouwde checkpointing maakt &#8220;time-travel debugging&#8221; mogelijk, waarbij je eerdere staten van de graph kunt inspecteren en opnieuw kunt uitvoeren.<\/li>\n\n\n\n<li><strong>Ecosysteem-integratie:<\/strong>\u00a0Het integreert naadloos met <a href=\"https:\/\/www.langchain.com\/langsmith\" target=\"_blank\" rel=\"noreferrer noopener\">LangSmith<\/a> voor observeerbaarheid en <a href=\"https:\/\/github.com\/langchain-ai\/langserve\" target=\"_blank\" rel=\"noreferrer noopener\">LangServe<\/a> voor deployment.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\">Nadelen<\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Steilere leercurve:<\/strong>\u00a0Het begrijpen van graphs theorie en state management is uitdagender dan het bouwen van lineaire ketens.<\/li>\n\n\n\n<li><strong>Verbositeit:<\/strong>&nbsp;Simpele taken vereisen vaak meer boilerplate-code in LangGraph dan in standaard LangChain-implementaties.<\/li>\n\n\n\n<li><strong>Architecturale overhead:<\/strong>\u00a0Voor eenvoudige RAG-applicaties of Q&amp;A-bots kan de complexiteit van een graph overbodig zijn.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Concurrentieanalyse: Hoe LangGraph zich verhoudt<\/h2>\n\n\n\n<p>Verschillende frameworks concurreren in de ruimte voor AI agent-orchestratie, elk met eigen filosofie\u00ebn over structuur en gebruiksgemak.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Vergelijkingstabel: AI agent-frameworks<\/h3>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><td>Functie<\/td><td>LangGraph<\/td><td>CrewAI<\/td><td>Microsoft Autogen<\/td><td>PydanticAI<\/td><\/tr><\/thead><tbody><tr><td><strong>Primaire focus<\/strong><\/td><td>Stateful orchestratie<\/td><td>Op rollen gebaseerde teams<\/td><td>Conversationele agents<\/td><td>Type-safe agents<\/td><\/tr><tr><td><strong>Architectuur<\/strong><\/td><td>Graph-gebaseerd<\/td><td>Proces-gebaseerd<\/td><td>Dialoog-gebaseerd<\/td><td>Schema-gebaseerd<\/td><\/tr><tr><td><strong>State Management<\/strong><\/td><td>Expliciet &amp; Persistent<\/td><td>Event-driven<\/td><td>Impliciet<\/td><td>Strikt Pydantic<\/td><\/tr><tr><td><strong>Gebruiksgemak<\/strong><\/td><td>Gemiddeld (Low-level)<\/td><td>Hoog (High-level)<\/td><td>Gemiddeld<\/td><td>Hoog<\/td><\/tr><tr><td><strong>Cyclische support<\/strong><\/td><td>Native<\/td><td>Beperkt<\/td><td>Native<\/td><td>Native<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<h3 class=\"wp-block-heading\">CrewAI<\/h3>\n\n\n\n<p><a href=\"https:\/\/www.crewai.com\" target=\"_blank\" rel=\"noreferrer noopener\">CrewAI<\/a> richt zich op &#8220;role-based&#8221; agents. Het is zeer intu\u00eftief voor het cre\u00ebren van teams waarin agents specifieke &#8220;backstories&#8221; en &#8220;goals&#8221; hebben. Het is echter minder flexibel dan LangGraph voor aangepaste vertakkingslogica en mist hetzelfde niveau van granulaire controle over de staat.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Microsoft AutoGen<\/h3>\n\n\n\n<p><a href=\"https:\/\/microsoft.github.io\/autogen\/stable\/\" target=\"_blank\" rel=\"noreferrer noopener\">AutoGen<\/a> legt de nadruk op conversatie als de primaire modus van interactie. Hoewel krachtig voor multi-agent dialogen, kan het moeilijker te controleren zijn in productieomgevingen waar strikte, niet-conversationele staatsovergangen vereist zijn.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">PydanticAI<\/h3>\n\n\n\n<p><a href=\"https:\/\/ai.pydantic.dev\" target=\"_blank\" rel=\"noreferrer noopener\">PydanticAI<\/a> is een nieuwere speler die prioriteit geeft aan type-safety en developer experience met behulp van Pydantic-modellen. Het is uitstekend voor datarijke bedrijfsapplicaties, maar beschikt nog niet over het uitgebreide ecosysteem van LangGraph.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Conclusie<\/h2>\n\n\n\n<p>LangGraph vertegenwoordigt een verschuiving van &#8220;AI als een sequentie&#8221; naar &#8220;AI als een systeem.&#8221; Door op graphs gebaseerd state management te introduceren, maakt het de ontwikkeling van veerkrachtige, autonome agents mogelijk die de complexiteit van real-world bedrijfslogica aankunnen. Hoewel het framework een meer gedisciplineerde architecturale aanpak vereist, maken de voordelen van persistentie, cyclische uitvoering en human-in-the-loop mogelijkheden het een toonaangevende keuze voor AI-systemen van productiekwaliteit.<\/p>\n\n\n\n<p>Voor organisaties die verder willen gaan dan basisprototypes, kan een gestructureerde\u00a0<a href=\"https:\/\/datanorth.ai\/nl\/dienst\/training-workshop\/kunstmatige-intelligentie\">AI-workshop<\/a>\u00a0helpen identificeren waar de mogelijkheden van LangGraph aansluiten bij specifieke bedrijfsdoelstellingen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Frequently asked questions<\/h2>\n\n\n\n<div class=\"wp-block-wpseopress-faq-block-v2 is-layout-flow wp-block-wpseopress-faq-block-v2-is-layout-flow\">\n<details id=\"is-langgraph-beter-dan-langchain\" class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary><strong>Is LangGraph beter dan LangChain?<\/strong><\/summary>\n<p>Geen van beide is inherent beter; ze dienen verschillende doeleinden.&nbsp;LangChain&nbsp;is geoptimaliseerd voor lineaire,eenvoudige workflows (chains).&nbsp;LangGraph&nbsp;is geoptimaliseerd voor niet-lineaire,&nbsp;stateful workflows die loops en multi-agent co\u00f6rdinatie vereisen.<\/p>\n<\/details>\n\n\n\n<details id=\"kan-ik-langgraph-gebruiken-zonder-langchain\" class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary><strong>Kan ik <\/strong><strong>LangGraph gebruiken zonder LangChain?<\/strong><\/summary>\n<p>Ja. Hoewel LangGraph is gebouwd door het LangChain-team en goed integreert met de componenten daarvan, is het een standalone bibliotheek die onafhankelijk kan worden gebruikt om elk stateful Python-proces te beheren.<\/p>\n<\/details>\n\n\n\n<details id=\"hoe-gaat-langgraph-om-met-fouten\" class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary><strong>Hoe gaat LangGraph om met fouten?<\/strong><\/summary>\n<p>LangGraph biedt retry-logica op node-niveau. Omdat het gebruikmaakt van een persistente staat, kun je bij een fout in de graph de uitvoering hervatten vanaf het laatste succesvolle checkpoint in plaats van het hele proces opnieuw te moeten starten.<\/p>\n<\/details>\n\n\n\n<details id=\"ondersteunt-langgraph-meerdere-llms-in-een-graph\" class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary><strong>Ondersteunt LangGraph meerdere LLM&#8217;s in \u00e9\u00e9n graph?<\/strong><\/summary>\n<p>Ja. Omdat elke node een onafhankelijke functie is, kun je verschillende LLM&#8217;s (bijv. GPT-4o, Claude 3.5 Sonnet of Gemini 1.5 Pro) binnen dezelfde graph gebruiken, gebaseerd op de specifieke vereisten van elke taak.<\/p>\n<\/details>\n<script type=\"application\/ld+json\">{\"@context\":\"https:\/\/schema.org\",\"@type\":\"FAQPage\",\"url\":\"https:\/\/datanorth.ai\/nl\/blog\/langgraph-stateful-multi-agent-systemen\",\"@id\":\"https:\/\/datanorth.ai\/nl\/blog\/langgraph-stateful-multi-agent-systemen\",\"mainEntity\":[{\"@type\":\"Question\",\"url\":\"https:\/\/datanorth.ai\/nl\/blog\/langgraph-stateful-multi-agent-systemen#is-langgraph-beter-dan-langchain\",\"name\":\"Is LangGraph beter dan LangChain?\",\"answerCount\":1,\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"&lt;p>Geen van beide is inherent beter; ze dienen verschillende doeleinden.&nbsp;LangChain&nbsp;is geoptimaliseerd voor lineaire,eenvoudige workflows (chains).&nbsp;LangGraph&nbsp;is geoptimaliseerd voor niet-lineaire,&nbsp;stateful workflows die loops en multi-agent co\u00f6rdinatie vereisen.&lt;\/p>\"}},{\"@type\":\"Question\",\"url\":\"https:\/\/datanorth.ai\/nl\/blog\/langgraph-stateful-multi-agent-systemen#kan-ik-langgraph-gebruiken-zonder-langchain\",\"name\":\"Kan ik LangGraph gebruiken zonder LangChain?\",\"answerCount\":1,\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"&lt;p>Ja. Hoewel LangGraph is gebouwd door het LangChain-team en goed integreert met de componenten daarvan, is het een standalone bibliotheek die onafhankelijk kan worden gebruikt om elk stateful Python-proces te beheren.&lt;\/p>\"}},{\"@type\":\"Question\",\"url\":\"https:\/\/datanorth.ai\/nl\/blog\/langgraph-stateful-multi-agent-systemen#hoe-gaat-langgraph-om-met-fouten\",\"name\":\"Hoe gaat LangGraph om met fouten?\",\"answerCount\":1,\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"&lt;p>LangGraph biedt retry-logica op node-niveau. Omdat het gebruikmaakt van een persistente staat, kun je bij een fout in de graph de uitvoering hervatten vanaf het laatste succesvolle checkpoint in plaats van het hele proces opnieuw te moeten starten.&lt;\/p>\"}},{\"@type\":\"Question\",\"url\":\"https:\/\/datanorth.ai\/nl\/blog\/langgraph-stateful-multi-agent-systemen#ondersteunt-langgraph-meerdere-llms-in-een-graph\",\"name\":\"Ondersteunt LangGraph meerdere LLM's in \u00e9\u00e9n graph?\",\"answerCount\":1,\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"&lt;p>Ja. Omdat elke node een onafhankelijke functie is, kun je verschillende LLM's (bijv. GPT-4o, Claude 3.5 Sonnet of Gemini 1.5 Pro) binnen dezelfde graph gebruiken, gebaseerd op de specifieke vereisten van elke taak.&lt;\/p>\"}}]}<\/script><\/div>\n\n\n<div class=\"brxe-container newsletter-sign-up-blog\"><div class=\"brxe-div newsletter-sign-up-blog__headings-div\"><div class=\"brxe-div newsletter-sign-up-blog__heading-icon-div\"><i id=\"brxe-xdnylt\" class=\"fa fa-envelope brxe-icon newsletter-sign-up-blog__icon\"><\/i><div class=\"brxe-heading newsletter-sign-up-blog__heading\">Schrijf je in voor onze Nieuwsbrief<\/div><\/div><div id=\"brxe-yrmmzb\" class=\"brxe-heading newsletter-sign-up-blog__subheading\">Blijf op de hoogte van onze nieuwste AI blogs, onderzoeken, diensten en nog veel meer!<\/div><\/div><div class=\"brxe-shortcode newsletter-sign-up-blog__shortcode form--light\"><div class='fluentform ff-default fluentform_wrapper_15 ffs_default_wrap'><form data-form_id=\"15\" id=\"fluentform_15\" class=\"frm-fluent-form fluent_form_15 ff-el-form-top ff_form_instance_15_1 ff-form-loading ffs_default\" data-form_instance=\"ff_form_instance_15_1\" method=\"POST\" ><fieldset  style=\"border: none!important;margin: 0!important;padding: 0!important;background-color: transparent!important;box-shadow: none!important;outline: none!important; min-inline-size: 100%;\">\n                    <legend class=\"ff_screen_reader_title\" style=\"display: block; margin: 0!important;padding: 0!important;height: 0!important;text-indent: -999999px;width: 0!important;overflow:hidden;\">Newsletter Sign Up Form (Blog) (NL)<\/legend><input type='hidden' name='__fluent_form_embded_post_id' value='3434472' \/><input type=\"hidden\" id=\"_fluentform_15_fluentformnonce\" name=\"_fluentform_15_fluentformnonce\" value=\"8f59cf8b80\" \/><input type=\"hidden\" name=\"_wp_http_referer\" value=\"\/nl\/wp-json\/wp\/v2\/posts\/3434472\" \/><div class='ff-el-group ff-el-form-hide_label'><div class=\"ff-el-input--label ff-el-is-required asterisk-right\"><label for='ff_15_email' id='label_ff_15_email' aria-label=\"Email\">Email<\/label><\/div><div class='ff-el-input--content'><input type=\"email\" name=\"email\" id=\"ff_15_email\" class=\"ff-el-form-control\" placeholder=\"E-mailadres\" data-name=\"email\"  aria-invalid=\"false\" aria-required=true><\/div><\/div><div class='ff-el-group ff-el-form-hide_label'><div class=\"ff-el-input--label ff-el-is-required asterisk-right\"><label   aria-label=\"Radio Field\">Radio Field<\/label><\/div><div class='ff-el-input--content'><div class='ff-el-form-check ff-el-form-check-'><label class='ff-el-form-check-label' for='input_radio_ff2432f27174c96a61321f18e8e6ff04'><input  type=\"radio\" name=\"input_radio\" data-name=\"input_radio\" class=\"ff-el-form-check-input ff-el-form-check-radio\" value=\"Ik wil graag marketing gerelateerde e-mails ontvangen van DataNorth\"  id='input_radio_ff2432f27174c96a61321f18e8e6ff04' aria-label='Ik wil graag marketing gerelateerde e-mails ontvangen van DataNorth' aria-invalid='false' aria-required=true> <span>Ik wil graag marketing gerelateerde e-mails ontvangen van DataNorth<\/span><\/label><\/div><\/div><\/div><div class='ff-el-group ff-text-left ff_submit_btn_wrapper'><button type=\"submit\" class=\"ff-btn ff-btn-submit ff-btn-md ff_btn_style\"  aria-label=\"Aanmelden!\">Aanmelden!<\/button><\/div><\/fieldset><\/form><div id='fluentform_15_errors' class='ff-errors-in-stack ff_form_instance_15_1 ff-form-loading_errors ff_form_instance_15_1_errors'><\/div><\/div>            <script type=\"text\/javascript\">\n                window.fluent_form_ff_form_instance_15_1 = {\"id\":\"15\",\"settings\":{\"layout\":{\"labelPlacement\":\"top\",\"helpMessagePlacement\":\"with_label\",\"errorMessagePlacement\":\"inline\",\"cssClassName\":\"\",\"asteriskPlacement\":\"asterisk-right\"},\"restrictions\":{\"denyEmptySubmission\":{\"enabled\":false}}},\"form_instance\":\"ff_form_instance_15_1\",\"form_id_selector\":\"fluentform_15\",\"rules\":{\"email\":{\"required\":{\"value\":true,\"message\":\"This field is required\",\"global_message\":\"This field is required\",\"global\":true},\"email\":{\"value\":true,\"message\":\"This field must contain a valid email\",\"global_message\":\"This field must contain a valid email\",\"global\":true}},\"input_radio\":{\"required\":{\"value\":true,\"message\":\"This field is required\",\"global_message\":\"This field is required\",\"global\":true}}},\"debounce_time\":300};\n                            <\/script>\n            <\/div><\/div>\n","protected":false},"excerpt":{"rendered":"<p>Ontdek LangGraph, het framework voor het bouwen van stateful, niet-lineaire AI Agents. Leer hoe je multi-agent samenwerking, human-in-the-loop workflows en iteratieve RAG implementeert voor jouw organisatie.<\/p>\n","protected":false},"author":12,"featured_media":3434597,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"none","_seopress_titles_title":"Beheers LangGraph: Stateful multi-agent AI-orchestratie","_seopress_titles_desc":"Bouw geavanceerde AI Agents met LangGraph. Leer hoe je state, loops en multi-agent workflows beheert voor betrouwbare enterprise-automatisering.","_seopress_robots_index":"","footnotes":""},"categories":[70,70],"tags":[],"class_list":{"0":"post-3434472","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-ai-tools-frameworks-nl"},"meta_box":{"faq_item":[]},"_links":{"self":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/posts\/3434472","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/users\/12"}],"replies":[{"embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/comments?post=3434472"}],"version-history":[{"count":0,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/posts\/3434472\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/media\/3434597"}],"wp:attachment":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/media?parent=3434472"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/categories?post=3434472"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/tags?post=3434472"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}