LangChain 和 LangGraph 该怎么选？

无论是个人开发者还是企业团队，在借助大语言模型（LLM）开发有趣又有价值的应用时，“用什么工具” 往往是最先面临的技术难题。今天，咱们就深入探讨两款构建 LLM 应用的热门框架 ——LangChain 和 LangGraph，帮你拨开迷雾，做出最适合的选择！当下，生成式 AI 领域发展迅猛，新框架、新技术层出不穷。所以大家阅读本文时要注意，文中信息可能会随着时间推移而变化哦！

小马不会过河

1254人浏览 · 2025-04-15 11:55:36

小马不会过河 · 2025-04-15 11:55:36 发布

无论是个人开发者还是企业团队，在借助大语言模型（LLM）开发有趣又有价值的应用时，“用什么工具” 往往是最先面临的技术难题。今天，咱们就深入探讨两款构建 LLM 应用的热门框架 ——LangChain 和 LangGraph，帮你拨开迷雾，做出最适合的选择！

当下，生成式 AI 领域发展迅猛，新框架、新技术层出不穷。所以大家阅读本文时要注意，文中信息可能会随着时间推移而变化哦！

1. LangChain 和 LangGraph 基础组件大揭秘

想要深入了解这两款框架的差异，先得熟悉它们的基础组件。下面的介绍虽然不是全部组件，但足以帮你把握二者的核心区别。

1.1 LangChain：线性与灵活并存

Chain（链）：它就像是一条生产线，把调用 LLM、Agent、工具、外部数据源、过程式代码等步骤按顺序组合起来。而且，链还能像树枝一样分支，根据逻辑条件走向不同路径，处理复杂任务也不在话下。
Agent 或 LLM：LLM 负责生成自然语言回复。而 Agent 更厉害，它以 LLM 为基础，增添了推理、调用工具的能力，工具调用失败时还会自动重试，就像给 LLM 配上了智能助手。
Tool（工具）：工具是能在链中调用或由 Agent 触发的代码函数，专门用来和外部系统交互，比如访问数据库、调用 API 等。
Prompt（提示词）：提示词包含系统提示词、外部数据源注入信息、用户输入任务。系统提示词指导模型工作并告知可用工具；外部信息提供更多上下文；用户任务则明确模型的目标。

1.2 LangGraph：以图为核心的强大架构

Graph（图）：从名字就能看出，LangGraph 用图来组织工作流。它可以调用 LLM、工具等各种组件，还支持循环图，能创建循环和反馈机制，多次访问某些节点，应对复杂场景超给力。
Node（节点）：节点代表工作流中的一个个具体步骤，比如发起 LLM 查询、调用 API、执行工具等。
Edge（边）和 Conditional Edge（条件边）：边负责连接节点，让信息从一个节点流向另一个节点。条件边更智能，只有满足特定条件时，信息才会流动，开发者还能自定义这些条件。
State（状态）：State 是应用程序的实时 “状态监视器”，随着信息在图中流动而更新。它是开发者定义的可变对象，包含对话历史、任务步骤、模型输出等重要信息，而且能在节点间传递。
Agent 或 LLM：图中的 LLM 专注于生成文本响应。Agent 则由多个节点协作，负责推理、选择工具、执行工具等，还能决定工作流走向、更新状态，功能十分强大。

2. 核心功能处理差异大比拼

2.1 工具调用：方式各有千秋

LangChain：调用方式取决于使用场景。在链中，工具是预定义步骤，不一定由 Agent 调用；不在链中的 Agent 自主性强，能按需选择工具。
LangGraph：工具一般是图上的节点。有 Agent 时，Agent 根据推理选工具，工作流跳转到对应节点执行，节点间的边还能加条件逻辑；没有 Agent 时，类似 LangChain 链中的工具调用方式。

链方式的流程示例：

Agent 方式的流程示例：

包含 Agent 的图流程示例：

没有 Agent 的图的流程示例：

2.2 对话历史和记忆：存储各有高招

LangChain：内置多种记忆管理方式，能选择完整会话历史、摘要版本或自定义记忆，还支持自定义长期记忆系统，把对话历史存到外部数据库。
LangGraph：靠 State 记录变量来管理记忆，信息在节点间传递。但它本身没有跨会话长期记忆功能，需要开发者添加特定节点来实现。

2.3 开箱即用的 RAG 能力：LangChain 更胜一筹？

LangChain：对 RAG 工作流的支持很成熟，提供文档加载、文本解析、Embedding 生成、向量存储、检索等功能，使用相关 API 就能轻松集成。
LangGraph：RAG 功能需要开发者自己设计，在图结构里添加相应节点，用边连接并传递信息来实现。

2.4 并行处理：都有独特优势

LangChain：用 RunnableParallel 类实现基本并行处理，高级的并行计算和异步工具调用得借助 Python 库自己实现。
LangGraph：只要节点间没依赖关系，就能并行执行，多个 Agent 也能同时运行。还能用 RunnableParallel 运行多个 Graph，借助 asyncio 库并行调用工具。

2.5 重试逻辑和错误处理：LangGraph 别出心裁

LangChain：错误处理由开发者明确设置，在链或 Agent 里添加重试逻辑。
LangGraph：把错误处理设计成独立节点，任务失败时，可跳转到其他节点或当前节点重试，只重试失败节点，不用重启整个工作流。

3. 何时选择 LangChain、LangGraph？

看完上面的对比，大家肯定迫不及待想知道该怎么选了吧？虽然没有绝对标准，但可以参考下面的建议：

只用 LangChain 的情况：当你需要快速搭建线性任务的 AI 工作流，比如文档检索、文本生成、摘要等，或者想利用 AI Agent 动态决策，但不需要精细控制复杂流程时，LangChain 就是你的好帮手。它学习成本低，预定义配置多，能让你快速上手。
只用 LangGraph 的情况：如果应用场景涉及非线性工作流，多个组件需要动态交互，还需要条件判断、复杂分支逻辑、错误处理或并行执行，而且你愿意自己实现一些功能，那么 LangGraph 更适合你。它能灵活定制工作流，满足复杂需求。
LangChain 和 LangGraph 一起用的情况：要是你既想利用 LangChain 现成的 RAG 组件、对话记忆等功能，又想用 LangGraph 的非线性编排能力管理复杂任务流，二者结合就能发挥最大优势，打造出超强大的 AI 工作流。

LangChain 和 LangGraph 各有所长，具体怎么选，关键看项目的实际需求。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述