LangChain 与 LangGraph：如何选择合适的工具
最近很多做Agent开发的朋友问我：
LangChain 和 LangGraph 有啥区别？
甚至还有更直白的：
是不是就像 链表 vs 图？
我的回答：非常形象。
LangChain ≈ 链表（单向线性）
LangGraph ≈ 有向图（DAG）
下面的内容翻译自 https://www.js-craft.io/blog/langchain-vs-langgraph/
LangChain 和 LangGraph 经常引起混淆。我能理解为什么！
它们不仅名称相似，而且由同一支团队开发并具有共同的目的：与LLM（大型语言模型）协同工作并进行集成。
更有趣的是，在某个特定点，一个可以取代另一个。
把它们想象成锯子和斧头。两者都用于切割，但根据具体工作，其中一种工具可能比另一种更有效。在某些情况下，你甚至可以同时使用两种工具来获得最佳效果。
我认为下图很好地解释了我们可以定义的 LangChain 与 LangGraph 的流程类型的差异：
现在，回到正文。
顾名思义，LangChain 是基于“链”构建的。“链”指的是顺序工作流，其中每个步骤都遵循预先定义的顺序。它非常适合 A → B → C 类型的流程，其中每个步骤都紧接着前一个步骤。
这是定义一个非常简单的链的代码：
const chain = pointA.pipe(pointB).pipe(pointC)另一方面，LangGraph 支持动态分支流程。它允许在每一步进行决策，根据条件启用 A → B 或 C 之类的路径。这使得它非常适合 AI 代理用例，其中 LLM 需要动态确定下一步操作。
例如，上述结构的 LangGraph 代码如下所示：
const graph = new StateGraph().addNode("A", functionA).addNode("B", functionB).addNode("C", functionC).addConditionalEdges("A", makeDecision, ["B", "C])考虑以下提示：
Translate this text into English and summarize it:
<< long text in Spanish here >>这是顺序链 A->B->C 的经典示例，其中：
A 正在翻译文本
B 总结翻译文本
C 输出结果
在链中，一个步骤的输出被用作下一步的输入。
现在，我们来看一个AI Agent助手帮助用户选择周末活动的场景：
You are an AI assistant helping a user choose a weekend activity.
Step 1: Ask if they prefer indoors or outdoors.
- If indoors, do a web search and suggest a movie or a book
- If outdoors, check the weather and - If the weather is good, use Google Maps to suggest a hiking track - If it rains, use skyscanner.com to search for a flight.
Step 2: Output the final recommendation.在这种情况下，流程会根据用户输入和外部条件进行分支。AI 代理可以动态调用不同的工具，例如网页搜索、天气 API、谷歌地图或天巡。这正是 LangGraph 所擅长的工作流程。
顺便提一下，LangChain 确实提供了一些类似RunnableMap的分支功能。但 LangGraph 在处理这类情况时更加符合人体工程学。
这些工具并非互相排斥，它们也可以协同工作。例如，在 LangGraph 结构中，一个节点可以包含使用 LangChain 实现的一系列步骤。
但总体思路是要记住：
LangChain将成为您使用的工具，以添加 LLM 集成和更简单的直接流程
而LangGraph是定义 AI 智能体流程的完美工具，有时 LLM 会决定接下来调用图的哪个节点。
我认为，最好先了解 LangChain 的基础知识，然后再学习 LangGraph。虽然在使用 LangGraph 创建智能体之前，你不需要完全掌握 LangChain，但扎实掌握其基础知识肯定会有所帮助。