深入解析 LangChain 与 LangGraph：如何选择适合你的 AI 工作流架构

2026-02-04 07:56:55 0条评论 1次阅读 0人点赞

在人工智能应用开发飞速发展的今天，我们常常面临这样一个挑战：如何构建一个既能理解复杂指令，又能灵活调用工具的智能系统？如果你也曾为大语言模型（LLM）的应用架构设计而苦恼，那么你并不孤单。我们通常需要在不同复杂度的框架之间做出选择，而目前最受关注的两个工具——LangChain 和 LangGraph，正是为了解决这些不同层面的问题而生的。

在这篇文章中，我们将深入探讨这两个强大的框架。我们将从它们的核心设计理念出发，通过实际的代码示例，看看它们在处理工作流时的根本区别。无论你是想构建一个简单的问答机器人，还是打算开发一个复杂的多智能体协作系统，通过这篇文章，你都能学会如何根据项目需求，精准地选择最合适的技术栈。

1 LangChain：构建线性 AI 应用的基石
2 LangGraph：应对复杂逻辑的图形化架构
3 两者深度对比与选择指南
4 实际应用建议与最佳实践
5 总结与后续步骤

LangChain：构建线性 AI 应用的基石

首先，让我们来聊聊 LangChain。作为最早一批将 LLM 与工程化开发结合的框架之一，LangChain 的设计初衷非常明确：简化序列化任务的构建。

想象一下，如果你想让 AI 帮你写一份行业报告，流程可能是这样的：先搜索网络数据 -> 清洗数据 -> 整理成大纲 -> 生成最终文本。这就是典型的“链式”结构，每一个环节的输出都是下一个环节的输入，就像工厂里的流水线一样。

核心概念与结构

LangChain 的核心在于“链”。它将一个个独立的操作（比如调用 OpenAI 接口、搜索数据库）封装成可复用的组件，然后按顺序串联起来。这种结构非常符合人类对于“流程”的直觉理解。

目的： 它旨在将复杂的逻辑拆解为小的、可管理的步骤，特别适合处理那些逻辑路径固定的多步推理任务。
结构： 采用线性的、序列化的连接方式。一步的输出直接流入下一步。

实战案例：构建一个简单的文档总结链

让我们来看一个具体的例子。假设我们要构建一个小工具，它能接受一个用户的笑话，并解释其中的“梗”，最后将其翻译成中文。

# 导入必要的库
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
import os

# 设置环境变量 (请确保你在本地设置了 OPENAI_API_KEY)
# os.environ["OPENAI_API_KEY"] = "你的-API-Key"

# 1. 初始化模型
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

# 2. 定义第一步：解释笑话
# 这里使用 PromptTemplate 来告诉模型它的角色
explain_prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个幽默分析专家。请详细解释下面笑话中的笑点。"),
        ("user", "{input}")
    ]
)

# 3. 定义第二步：翻译成中文
translate_prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个专业的翻译。请将下面的解释翻译成流畅的中文。"),
        ("user", "{input}")
    ]
)

# 4. 构建链
# 我们使用管道操作符 ‘|‘ 将这些组件串联起来
# 链的流向：用户输入 -> 解释Prompt -> LLM -> 输出解析 -> 翻译Prompt -> LLM -> 最终输出
chain = (
    explain_prompt 
    | llm 
    | StrOutputParser() 
    | (lambda x: translate_prompt.invoke({"input": x})) 
    | llm 
    | StrOutputParser()
)

# 5. 调用链
joke_input = "Why did the scarecrow win an award? Because he was outstanding in his field!"
result = chain.invoke({"input": joke_input})

print(f"最终结果:
{result}")

代码深度解析：

在这段代码中，我们首先定义了两个不同的 INLINECODEaedd8dc0，分别对应“解释”和“翻译”两个任务。最关键的部分在于 INLINECODE823e9552 的构建。LangChain 使用 Python 的位运算符重载（|）来实现类似 Unix 管道的机制。数据就像水流一样，从左向右流经每一个处理单元。这种直观的语法让我们能够非常轻松地通过组合简单的组件来构建复杂的应用。

局限性与挑战

虽然 LangChain 在处理线性任务时表现出色，但在实际生产环境中，我们也发现了一些局限性：

灵活性受限： 它是严格顺序执行的。如果你的流程需要根据上一步的结果判断是否执行下一步（例如：如果检测到用户输入是恶意代码，则直接拒绝，不再生成响应），你就需要在链中插入大量的 if-else 逻辑，这会让代码变得混乱且难以维护。
调试困难： 当链条非常长时，追踪错误发生在哪一个环节往往需要打印中间状态，这在排查复杂 Bug 时非常耗时。
状态管理： 在不同的链之间传递共享状态（比如用户的历史上下文）通常需要手动管理，容易出错。

LangGraph：应对复杂逻辑的图形化架构

随着应用场景的复杂化，我们发现单纯的线性流程已经无法满足需求。比如，我们需要构建一个客服机器人，它可能需要根据用户的回答多次查询数据库，或者在工具调用失败后自动重试。这时候，LangGraph 就派上用场了。

LangGraph 是由 LangChain 团队开发的库，专门用于构建有状态、多参与者（Agent）的应用程序。它将工作流建模为一个图结构，由节点和边组成。

核心概念与结构

与 LangChain 的线性流不同，LangGraph 允许：

循环： 逻辑可以回到之前的步骤（例如：自动重试机制）。
分支： 根据当前状态决定下一步走哪条路（例如：用户心情好则推荐商品，心情差则转人工客服）。

实战案例：构建一个带有状态记忆的研究助手

让我们构建一个简单的 Agent，它能够根据用户的问题，自行决定是去维基百科搜索，还是直接使用内部知识回答。

from typing import TypedDict, Annotated, Sequence
import operator
from langchain_core.messages import BaseMessage, HumanMessage
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI

# 1. 定义图的状态
# 这是图结构中各个节点之间传递的数据结构
class AgentState(TypedDict):
    # messages 是一个列表，使用 operator.add 来保证每次新增消息而不是覆盖
    messages: Annotated[Sequence[BaseMessage], operator.add]

# 2. 定义节点逻辑
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

def research_node(state: AgentState):
    """模拟搜索节点：这里我们只是模拟搜索结果，实际中可以接入 Tavily 或 Google Search"""
    last_message = state["messages"][-1]
    print(f"--- 正在执行搜索工具，查询: {last_message.content} ---")
    
    # 模拟搜索回传的结果
    search_response = "根据搜索结果，LangGraph 是一个基于图状态机的框架。"
    return {"messages": [HumanMessage(content=search_response)]}

def model_node(state: AgentState):
    """LLM 调用节点：根据当前消息历史生成回复"""
    messages = state["messages"]
    # 这里 LLM 根据历史消息做最终总结
    response = llm.invoke(messages)
    return {"messages": [response]}

# 3. 定义路由逻辑（边）
# 决定下一步是搜索还是结束
def should_continue(state: AgentState):
    messages = state["messages"]
    last_message = messages[-1]
    
    # 这是一个简化的逻辑：如果最后一条消息包含特定关键词，则停止，否则继续
    # 在实际应用中，你可以让 LLM 输出一个特定的 token 来决定流向
    if "搜索结果" in last_message.content:
        return "model"
    else:
        # 如果初始输入没有搜索结果，我们先去搜索
        return "research"

# 4. 构建图
workflow = StateGraph(AgentState)

# 添加节点
workflow.add_node("research", research_node)
workflow.add_node("model", model_node)

# 设置入口点
workflow.set_entry_point("research")

# 添加条件边
# 从 research 节点出来后，去哪里？这里我们简化流向：research -> model -> END
workflow.add_edge("research", "model")
workflow.add_edge("model", END)

# 5. 编译图并运行
app = workflow.compile()

# 初始输入
initial_input = {"messages": [HumanMessage(content="LangGraph 是什么？")]}

# 执行流
print("开始执行 LangGraph 工作流...")
for output in app.stream(initial_input):
    # output 包含了每个节点执行后的状态更新
    for node_name, node_output in output.items():
        print(f"节点 ‘{node_name}‘ 输出: {node_output[‘messages‘][-1].content}")

代码深度解析：

在这个例子中，我们首先定义了一个 AgentState 类，它是整个工作流的“记忆”。这与 LangChain 不同，LangGraph 允许我们在每个节点之间维护和更新这个全局状态。

我们定义了两个节点：INLINECODE05015cf6 和 INLINECODEcbcca91d。INLINECODE318533f2 定义了节点的连接方式。最关键的是，INLINECODE2330e9d1 编译器会自动处理状态在节点之间的传递。注意 app.stream 方法，它允许我们以流式的方式看到每一个步骤的执行过程，这对于调试和构建用户可见的思考过程非常有用。

LangGraph 的优势与挑战

优势： 它极其灵活。你可以构建像循环、递归这样在 LangChain 中很难实现的逻辑。它天生支持“人机协作”，因为你可以暂停图的执行，等待用户输入后再继续。
挑战： 学习曲线较陡峭。你需要转变思维，从“写脚本”转变为“设计状态机”。此外，对于非常简单的任务，使用 LangGraph 可能会有“杀鸡用牛刀”的感觉，增加了不必要的样板代码。

两者深度对比与选择指南

为了让你在项目选型时更加清晰，我们从以下几个维度对两者进行了详细的对比。

方面

LangChain

LangGraph :—

:—

:— 核心范式

线性链

有向循环图 状态管理

通常隐式传递，依赖链条链接

显式状态对象，由中心化 Store 管理 流程控制

顺序执行，分支需要硬编码

支持循环、条件分支、动态路由 适用场景

简单的问答、文档摘要、一次性任务流

复杂的 Agent 系统、多轮对话工具调用、长期运行的流程 调试体验

需要追踪中间变量，较长链路难以追踪

langgraph-cli 提供可视化图谱，状态变化清晰可见

代码风格对比：如何判断?

如果你发现自己写了大量的 if condition: chain_a else: chain_b 代码，或者你需要在多个不同的 LLM 调用之间反复传递同一个上下文对象，那么这就是你需要迁移到 LangGraph 的强烈信号。

LangChain 代码风格（线性）：

# 典型的 LangChain 风格：一条龙服务
chain = prompt | llm | output_parser
result = chain.invoke({"input": data})

LangGraph 代码风格（状态机）：

# 典型的 LangGraph 风格：定义节点和状态流转
def my_node(state): return {"count": state["count"] + 1}
graph.add_node("increment", my_node)
graph.add_edge("increment", END)

实际应用建议与最佳实践

作为开发者，我们不仅要懂理论，更要知道如何在实战中避坑。以下是我们总结的一些实用建议。

1. 集成与生态支持

LangChain 最大的优势在于其庞大的集成生态系统。几乎所有主流的 LLM、向量数据库（如 Pinecone, Chroma）和 API 都有现成的 LangChain 封装。当你使用 LangGraph 时，实际上是复用了 LangChain 的这些基础组件（比如 ChatOpenAI 类）。所以，不要把它们看作两个互斥的工具，而是互补的关系。LangGraph 是建立在 LangChain 接口之上的更高层抽象。

2. 性能优化建议

缓存机制： 无论是使用哪个框架，如果你的应用涉及大量重复的请求（比如价格查询），务必开启 LLM 的缓存功能。LangChain 自带 InMemoryCache，可以显著降低 API 调用成本和延迟。
并行执行： 在 LangGraph 中，如果你的图结构包含多个独立的分支，可以通过 INLINECODE1542861e 的并行发送机制显著提升效率。而在 LangChain 中实现并行需要使用 INLINECODE6fc919f8，相对不够直观。

3. 常见错误与解决方案

错误：循环依赖。 在 LangGraph 中初学者容易构建没有“出口”的循环，导致程序陷入死循环。

* 解决： 始终为你的条件边定义明确的退出条件（例如：max_iterations 限制或特定的结束 Token）。

错误：Token 溢出。 无论是链还是图，随着对话的进行，上下文长度可能会超过模型限制。

* 解决： 在图的节点中加入“历史摘要”逻辑，或者在链中使用 INLINECODEb9f553b5 的 INLINECODEe5419c6e 参数限制历史长度。

总结与后续步骤

回顾全文，LangChain 和 LangGraph 各有千秋。LangChain 像是一把瑞士军刀，能快速解决大部分线性、标准化的 AI 任务；而 LangGraph 则是一套乐高积木，虽然搭建复杂，但能让你构建出形态各异、具备高级智能的系统架构。

对于你的下一步行动，我们的建议是：

如果你是初学者，或者正在构建一个简单的 RAG（检索增强生成）应用，请从 LangChain 开始。掌握链式思维是理解 AI 工作流的基础。
如果你需要构建 Agent，特别是那些需要自我反思、使用多步工具（如：先查天气，再查航班，再发邮件）的系统，请直接学习 LangGraph。它在处理复杂逻辑时的维护性要远优于 LangChain。

最好的学习方式就是动手尝试。你可以尝试用 LangChain 写一个简单的翻译器，然后试着用 LangGraph 改写它，加入“检查翻译质量 -> 如果质量不通过则重试”的逻辑。相信在这个过程中，你会对这两者的差异有更深刻的体会。

投稿给我们	如何建站？
vps是什么？	如何安装宝塔？
如何通过博客赚钱？	便宜wordpress托管方案
免费wordpress主题	这些都是免费方案

豆丁博客

深入解析 LangChain 与 LangGraph：如何选择适合你的 AI 工作流架构

LangChain：构建线性 AI 应用的基石

核心概念与结构

实战案例：构建一个简单的文档总结链

局限性与挑战

LangGraph：应对复杂逻辑的图形化架构

核心概念与结构

实战案例：构建一个带有状态记忆的研究助手

LangGraph 的优势与挑战

两者深度对比与选择指南

代码风格对比：如何判断?

实际应用建议与最佳实践

1. 集成与生态支持

2. 性能优化建议

3. 常见错误与解决方案

总结与后续步骤

相关文章美国1G带宽/1T流量高速vps $17.99/年