当前位置：首页 > news >正文

LangChain vs LangGraph：从困惑到清晰的认知之路(扫盲篇)

news 2025/7/27 8:14:47

文章目录

- - LangChain：基础设施和组件库
  - LangGraph：复杂应用的构建框架
  - 形象的比喻
  - 实际应用中的区别
  - 什么时候用哪个？
  - 我的学习路线

在学习 AI 的过程中，我发现一个很普遍的现象：很多开发者（包括我自己）对 LangChain 和 LangGraph 的关系都是一知半解的。

有些人可能知道 LangChain 可以调用 OpenAI API，LangGraph 可以构建 agent，但具体它们是什么关系、为什么需要两个框架、什么时候用哪个，基本上是靠感觉在用。我之前也是这样，能跑通代码就行了，反正功能实现了嘛。

但慢慢我发现，这种"差不多就行"的态度其实是有问题的：

开发效率低下：不清楚工具边界，经常用错工具做事情，绕了很多弯路
代码质量堪忧：不理解底层逻辑，写出来的代码维护性很差
问题排查困难：出了 bug 不知道从哪里入手，只能瞎试
技能天花板：永远停留在"能用"的层次，无法设计出真正高效实用的 AI 系统

更重要的是，当你想要构建更复杂的 AI 应用时——比如需要长期记忆的智能助手、可以自主决策的业务流程、或者需要人机协作的复杂系统——如果不理解这些工具的本质区别，基本上就是在盲人摸象。

所以我觉得有必要花时间理清楚这两者的关系，这不仅是为了写出更好的代码，更是为了能够设计出真正解决实际问题的 AI 系统。

LangChain：基础设施和组件库

LangChain 更像是一个工具箱，提供各种基础组件：

from langchain_openai import ChatOpenAI
from langchain.tools import tool# LangChain 提供统一的接口来使用不同的 LLM，更常见的做法是直接实例化具体的模型类
llm = ChatOpenAI(model="gpt-4", temperature=0)# LangChain 提供工具定义的标准方式
@tool
def write_email(to: str, subject: str, content: str) -> str:"""Write and send an email."""return f"Email sent to {to}"

LangChain 的强项：

模型抽象：统一接口访问不同的 LLM（OpenAI、Anthropic、本地模型等）
工具定义：标准化的工具创建和调用方式
提示模板：管理和组织 prompts
数据处理：文档加载、向量存储、检索等

LangGraph：复杂应用的构建框架

LangGraph 是建立在 LangChain 之上的架构框架，专门用来构建复杂的 AI 应用：

from typing import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.checkpoint.memory import InMemorySaver# LangGraph 提供状态管理和流程控制
class State(TypedDict):messages: listuser_info: dictworkflow = StateGraph(State)
# workflow.add_node("process", process_node) # "process_node" 在此未定义，仅为示例
app = workflow.compile(checkpointer=InMemorySaver())

LangGraph 的强项：

状态管理：跟踪整个对话或工作流的状态
流程控制：定义复杂的执行路径和条件分支
持久化：保存和恢复执行状态，支持长时间运行的任务
人机交互：内置 interrupt 机制，支持人工干预
可视化：可以画出执行流程图

形象的比喻

LangChain = 乐高积木

提供各种标准化的"积木"（LLM、工具、提示模板等）
每个积木都有标准接口，可以相互连接
适合构建简单的组合

LangGraph = 乐高建筑设计图 + 施工管理

告诉你如何用这些积木构建复杂的"建筑"（workflow/agent）
提供"施工管理"（状态管理、流程控制、错误处理）
可以处理"建筑过程中的变化"（动态路径、人工干预）

实际应用中的区别

用 LangChain 构建简单应用：

# 简单的 LLM 调用链
# 这里使用了 LangChain 表达式语言（LCEL），通过管道符 | 可以方便地将组件连接起来。
prompt = "翻译这段文字：{text}"
# chain = llm | output_parser # "output_parser" 在此未定义，仅为示例
# result = chain.invoke({"text": "Hello world"})

等价于以下步骤：

prompt_text = "翻译这段文字：Hello world"# 第一步：调用 LLM
llm_response = llm.invoke(prompt_text)
# llm_response 类型通常是 AIMessage，包含很多元数据# 第二步：使用输出解析器处理 LLM 的原始输出
final_result = output_parser.invoke(llm_response)
# final_result 现在是纯字符串，比如："你好，世界"

用 LangGraph 构建复杂应用：

# 有状态的、可中断的、多步骤的工作流
app = workflow.compile(checkpointer=InMemorySaver())
config = {"configurable": {"thread_id": "123"}}# 可以暂停、恢复、查看中间状态
# result = app.invoke(input_data, config) # "input_data" 在此未定义，仅为示例
state = app.get_state(config)  # 查看当前状态
# ... 稍后继续执行