用LangChain还是LangGraph？官方终于站出来表态了

前言

无论是个人还是企业，当我们想要使用 LLM（大模型）的功能开发出有趣或者有价值的应用时，第一个技术问题通常是“使用什么工具？”

在本文中，我们将深入探讨用于构建 LLM 应用程序的两个最流行的框架：LangChain 和 LangGraph。

现在生成式 AI 的开发正处于井喷时期，几乎每天都会出现各种新框架和新技术，所以各位在阅读本文时请记住，今天是正确的，明天可能就不正确了！

LangChain 和 LangGraph 的基础组件

通过理解每个框架的不同基础元素，你将更深入地理解它们在处理某些核心功能方面的关键区别。本节的描述并未穷尽列出每个框架的所有组件，而是为理解它们的整体方法差异提供了一个坚实的基础。

LangChain

使用 LangChain 主要有两种方式：预定义命令的顺序链（Chain）和 LangChain Agent。这两种方式在工具和编排方式上有所不同。链采用预定义的线性工作流，而 Agent 则充当一个协调者，可以进行更具动态性（非线性）的决策。

• Chain（链）：一系列步骤的组合，这些步骤可以包括调用 LLM、Agent、工具、外部数据源、过程式代码等。链可以分支，即根据逻辑条件将单一流程拆分为多个路径。
• Agent 或 LLM：LLM 本身能够生成自然语言响应，而 Agent 则结合了 LLM 与额外能力，使其能够进行推理、调用工具，并在调用工具失败时重复尝试。
• Tool（工具）：是可以在链中被调用的代码函数，或由 Agent 触发，以与外部系统交互。
• Prompt（提示词）包括系统提示词（用于指示模型如何完成任务以及可用工具）、来自外部数据源的注入信息（为模型提供更多上下文）、以及用户的输入任务。

LangGraph

LangGraph 采用了一种不同的方法来构建 AI 工作流。正如其名称所示，它以图（Graph）的方式编排工作流。由于其在 AI Agent、过程式代码和其他工具之间的灵活处理能力，它更适用于线性链、分支链或简单 Agent 系统难以满足需求的复杂应用场景。LangGraph 设计用于处理更复杂的条件逻辑和反馈循环，比 LangChain 更加强大。

• Graph（图）是一种灵活的工作流组织方式，支持调用 LLM、工具、外部数据源、过程式代码等。LangGraph 还支持循环图（Cyclical Graph），即可以创建循环和反馈机制，使得某些节点能够被多次访问。
• Node（节点）表示工作流中的步骤，例如 LLM 查询、API 调用或工具执行。
• Edge（边）和 Conditional Edge（条件边）：边用于连接节点，定义信息流向，使一个节点的输出作为下一个节点的输入。条件边允许在满足特定条件时，将信息从一个节点流向另一个节点。开发者可以自定义这些条件。
• State（状态）表示应用程序的当前状态，随着信息在图中流动而更新。状态是一个****开发者定义的可变 TypedDict 对象，包含当前执行图所需的所有相关信息。LangGraph 会在每个节点自动更新状态。
• Agent 或 LLM：图中的 LLM 仅负责对输入生成文本响应。而 Agent 能力则允许图中包含多个节点，分别代表 Agent 的不同组件（如推理、工具选择和工具执行）。Agent 可以决定在图中采取哪条路径、更新图的状态，并执行比单纯文本生成更多的任务。

相比之下，LangChain 更适合线性和基于工具的调用，而 LangGraph 更适合复杂的、多路径和具有反馈机制的 AI 工作流。

各框架在核心功能处理方式上的区别

LangGraph 和 LangChain 在某些能力上有所重叠，但它们处理问题的方式有所不同。LangChain 主要关注线性工作流（通过链）或不同的 AI Agent 模式，而 LangGraph 则专注于创建更灵活、细粒度的、基于流程的工作流，其中可以包含 AI Agent、工具调用、过程式代码等。

总体而言，LangChain 的学习曲线相对较低，因为它提供了更多的抽象封装和预定义配置，这使得 LangChain 更容易应用于简单的使用场景。而 LangGraph 则允许对工作流设计进行更细粒度的定制，这意味着它的抽象程度较低，开发者需要学习更多内容才能有效使用。

工具调用（Tool Calling）

LangChain

在 LangChain 中，工具的调用方式取决于是在链中按顺序执行一系列步骤，还是仅使用 Agent 能力（不在链中明确定义）。

• 在链中，工具是作为预定义步骤包含的，这意味着它们并不一定是由 Agent 动态调用的，而是在链设计时就已决定了调用哪些工具。
• 当 Agent 不在链中定义时，Agent 具有更大的自主性，它可以根据自己可访问的工具列表，决定调用哪个工具以及何时调用。

链方式的流程示例：

Agent 方式的流程示例：

LangGraph

在 LangGraph 中，工具通常被表示为图上的一个节点。如果图中包含一个 Agent，那么 Agent 负责决定调用哪个工具，这一决策基于其推理能力。当 Agent 选择了某个工具后，工作流会跳转到对应的“工具节点”（Tool Node），以执行该工具的操作。在 Agent 和工具节点之间的边可以包含条件逻辑（Conditional Logic），从而增加额外的判断逻辑，以决定是否执行某个工具。这样，开发者可以拥有更精细的控制能力。如果图中没有 Agent，那么工具的调用方式类似于 LangChain 的链，即根据预定义的条件逻辑在工作流中执行工具。

包含 Agent 的图流程示例：

没有 Agent 的图的流程示例：

对话历史和记忆

LangChain

LangChain 提供内置的抽象层来处理对话历史和记忆。它支持不同粒度级别（granularity）的记忆管理，从而控制传递给 LLM 的 token 数量，主要包括以下几种方式：

• 完整的会话历史（Full session conversation history）
• 摘要版本的对话历史（Summarized conversation history）
• 自定义定义的记忆（Custom defined memory）

此外，开发者还可以自定义长期记忆系统，将对话历史存储在外部数据库中，并在需要时检索相关记忆。

LangGraph

在 LangGraph 中，State（状态）负责管理记忆，它通过记录每个时刻定义的变量来跟踪状态信息。State 可以包括：

• 对话历史
• 任务执行的各个步骤
• 语言模型上一次的输出结果
• 其他重要信息

State 可以在节点之间传递，这样每个节点都能获取当前系统的状态。然而，LangGraph 本身不提供跨会话的长期记忆功能，如果开发者需要持久化存储记忆，可以引入特定的节点，用于将记忆和变量存入外部数据库，以便后续检索。

开箱即用的 RAG 能力

LangChain

LangChain 原生支持复杂的 RAG 工作流，并提供了一套成熟的工具，方便开发者将 RAG 集成到应用程序中。例如，它提供了：

• 文档加载（Document Loading）
• 文本解析（Text Parsing）
• Embedding 生成（Embedding Creation）
• 向量存储（Vector Storage）
• 检索能力（Retrieval Capabilities）

开发者可以直接使用 LangChain 提供的 API（如 langchain.document_loaders、langchain.embeddings 和 langchain.vectorstores）来实现 RAG 工作流。

LangGraph

在 LangGraph 中，RAG 需要开发者自行设计，并作为图结构的一部分实现。例如，开发者可以创建单独的节点，分别用于：

• 文档解析（Document Parsing）
• Embedding 计算（Embedding Computation）
• 语义检索（Retrieval）

这些节点之间可以通过普通边（Normal Edges）或条件边（Conditional Edges）进行连接，而各个节点的状态可以用于****传递信息，以便在 RAG 流水线的不同步骤之间共享数据。

并行处理（Parallelism）

LangChain

LangChain 允许并行执行多个链或 Agent，可以使用 RunnableParallel 类来实现基本的并行处理。

但如果需要更高级的并行计算或异步工具调用，开发者需要**使用 Python 库（**如 asyncio）自行实现。

LangGraph

LangGraph 天然支持并行执行节点，只要这些节点之间没有依赖关系（例如，一个 LLM 的输出不能作为下一个节点的输入）。这意味着多个 Agent 可以同时运行，前提是它们不是相互依赖的节点。

此外，LangGraph 也支持：

• 使用 RunnableParallel 运行多个 Graph
• 通过 Python 的 asyncio 库并行调用工具

重试逻辑和错误处理

LangChain

LangChain 的错误处理需要由开发者显式定义，可以通过：

• 在链中引入重试逻辑（Retry Logic）
• 在 Agent 中处理工具调用失败的情况

LangGraph

LangGraph 可以直接在工作流中嵌入错误处理逻辑，方法是将错误处理作为一个独立的节点。

• 当某个任务失败时，可以跳转到另一个错误处理节点，或者在当前节点进行重试。
• 失败的节点会被单独重试，而不是整个工作流重新执行。
• 这样，图可以从失败的地方继续执行，而不需要从头开始。

如果你的任务涉及多个步骤和工具调用，这种错误处理机制可能会非常重要。

总之

你可以：
✅ 仅使用 LangChain
✅ 仅使用 LangGraph
✅ 同时使用 LangChain 和 LangGraph

此外，你也可以将 LangGraph 的图结构编排能力与其他 Agent 框架（如微软的 AutoGen）结合，例如：将 AutoGen 的 Agent 作为 LangGraph 的节点

LangChain 和 LangGraph 各有优势，选择合适的工具可能会让人感到困惑。

那么，应该在什么情况下使用？

仅使用 LangChain：

✅ 你需要快速构建 AI 工作流，例如：

• 线性任务（Linear Tasks）：文档检索、文本生成、摘要等预定义的工作流
• AI Agent 需要动态决策，但你不需要对复杂流程进行精细控制

仅使用 LangGraph：

✅ 你的应用场景需要非线性（Non-linear）工作流，例如：

• 任务涉及多个组件的动态交互
• 需要条件判断、复杂的分支逻辑、错误处理或并行执行
• 你愿意自行实现 LangChain 未提供的部分功能

同时使用 LangChain 和 LangGraph：

✅ 你希望：

• 利用 LangChain 现成的抽象能力（如 RAG 组件、对话记忆等）
• 同时使用 LangGraph 的非线性编排能力

两者结合，可以充分发挥各自的优势，打造更加灵活和强大的 AI 工作流。

最后的最后

感谢你们的阅读和喜欢，作为一位在一线互联网行业奋斗多年的老兵，我深知在这个瞬息万变的技术领域中，持续学习和进步的重要性。

为了帮助更多热爱技术、渴望成长的朋友，我特别整理了一份涵盖大模型领域的宝贵资料集。

这些资料不仅是我多年积累的心血结晶，也是我在行业一线实战经验的总结。

这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习，相信它们一定能为你提供实质性的帮助。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】