2025-11-22发表大模型应用开发13 分钟读完 (大约1893个字)

LangGraph vs LangChain

1.LangChain 是什么

LangChain 是 LLM 应用开发领域最早期、最广泛使用的框架之一，定位为通用 LLM 应用框架。它提供了丰富的组件来简化与大语言模型的交互：

Prompt 管理：模板化提示词构建与复用
Chain（链）：将多个步骤（LLM 调用、工具调用、记忆等）串联成管道
Agent 抽象：让 LLM 决定是否调用工具
Tool（工具）：标准化的外部能力扩展接口
Memory（记忆）：对话历史的存储与检索
RAG 支持：检索增强生成的完整实现

LangChain 的核心抽象是 LCEL（LangChain Expression Language），一种链式组合语法，让开发者可以通过管道操作符 | 将多个组件串联起来：

prompt | model | output_parser

设计哲学：提供”乐高积木”式的组件，开发者按需拼接。

2.LangGraph 是什么

LangGraph 是 LangChain 生态的扩展，专门用于构建有状态、多步骤、带循环的智能体应用。它的核心理念是将工作流建模为有向图（Directed Graph），其中：

节点（Node）：每个计算步骤，如 LLM 调用、工具执行、状态判断
边（Edge）：节点之间的跳转逻辑
状态（State）：贯穿整个图执行过程的共享上下文对象
条件边（Conditional Edge）：根据当前状态动态决定下一步路由

关键特性：原生支持循环（Cycles），这是 LangGraph 与 LangChain 链式结构最本质的区别。

设计哲学：把智能体的工作流当作状态机来精确控制。

3.核心区别对比

维度	LangChain	LangGraph
核心抽象	链（Chain）：线性管道	图（Graph）：节点 + 边 + 状态机
执行模式	线性顺序，有始有终	支持循环、分支、并行
状态管理	通过 Memory 组件管理对话历史	全局 State 对象在所有节点间共享
循环支持	❌ 不支持循环	✅ 原生支持
条件路由	有限（Chain 内部分支）	✅ 强大的条件边机制
多智能体	可以，但需要自行设计协调逻辑	可以，天然支持协作图结构
流程可控性	中等，依赖 Chain 配置	高，完全显式定义每一步
适用场景	简单 RAG、Prompt 链式组合	复杂智能体工作流、需要反思/修正的流程
学习曲线	较平缓，组件丰富易上手	较陡，需要理解图模型概念

4.为什么 LangGraph 是 LangChain 的”升级”

（1）链式结构的局限

LangChain 的 Chain 本质上是单向链表：

输入 → Step 1 → Step 2 → Step 3 → 输出

这意味着：

信息只能向前流动
无法回头修正之前的输出
难以实现”反思-修正”这类迭代行为

（2）图结构的优势

LangGraph 的图允许任意方向的连接，包括回边（back edge），从而天然支持：

自我反思：Agent 生成回答后，评判节点认为质量不足，跳回重新生成
工具调用循环：LLM 决定是否继续调用工具
人机协作：在流程中间插入人工审核节点
多智能体协作：多个 Agent 节点互相调用，形成协作网络

你的 notebook 中实现的搜索助手就是一个典型例子——虽然目前是线性流程（理解 → 搜索 → 回答），但如果需要加入”反思”节点判断答案质量，不足则重新搜索，LangGraph 的条件边可以轻松实现这个循环：

理解 → 搜索 → 回答 → 反思判断
                     ↓ 质量不足
                   重新搜索
                     ↓ 质量OK
                     结束

（3）Checkpointing 与状态持久化

LangGraph 内置了 checkpoint 机制（你的代码中 InMemorySaver()），支持：

多轮对话状态恢复：即使进程重启也能恢复之前的执行状态
分叉与回溯：可以从某个历史节点重新执行，探索不同路径
Human-in-the-loop：在任意节点暂停，等待人工输入后再继续

5.实战代码对比

LangChain 风格（链式）

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.chains import LLMChain

llm = ChatOpenAI(model="gpt-4o-mini")

prompt = ChatPromptTemplate.from_messages([
    ("user", "回答用户问题：{question}")
])

chain = LLMChain(llm=llm, prompt=prompt)
result = chain.invoke({"question": "明天北京天气如何？"})

特点：线性、一次性、无法回头。

LangGraph 风格（图式）

from typing import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages

class SearchState(TypedDict):
    messages: Annotated[list, add_messages]
    user_query: str
    search_query: str
    search_results: str
    final_answer: str
    step: str

# 定义节点函数
def understand_node(state: SearchState) -> dict:
    # ... LLM 调用 ...
    return {"user_query": "...", "search_query": "...", "step": "understood"}

def search_node(state: SearchState) -> dict:
    # ... Tavily 搜索 ...
    return {"search_results": "...", "step": "searched"}

def answer_node(state: SearchState) -> dict:
    # ... 生成最终答案 ...
    return {"final_answer": "...", "step": "completed"}

# 构建图
workflow = StateGraph(SearchState)
workflow.add_node("understand", understand_node)
workflow.add_node("search", search_node)
workflow.add_node("answer", answer_node)

workflow.add_edge(START, "understand")
workflow.add_edge("understand", "search")
workflow.add_edge("search", "answer")
workflow.add_edge("answer", END)

app = workflow.compile()

特点：每一步都有状态、可循环、可分支、高度可控。

6.LangGraph 独有能力：条件边

条件边是 LangGraph 最强大的功能之一，让图的执行不再是固定路线，而是”智能调度”：

from langgraph.graph import END

def should_continue(state: SearchState) -> str:
    """根据状态决定下一步路由"""
    if len(state["messages"]) < 3:
        return "understand"      # 循环回理解阶段
    else:
        return END               # 结束流程

workflow.add_conditional_edges(
    "answer",              # 从 answer 节点出发
    should_continue,        # 判断函数
    {
        "understand": "understand",  # 路由映射
        END: END
    }
)

这种能力在 LangChain 的 Chain 中几乎无法优雅地实现。

7.如何选择

场景	推荐
简单问答、Prompt 组合、RAG 管道	LangChain
需要工具调用的 Agent，且流程固定	LangChain 或 LangGraph
需要自我反思、循环修正的工作流	LangGraph
多智能体协作系统	LangGraph
需要精确控制每一步的执行顺序和分支	LangGraph
快速原型、一次性脚本	LangChain
生产级、需要高可控性和可审计性	LangGraph

8.总结

LangChain 和 LangGraph 是互补关系，而非替代关系：

LangChain 是通用的 LLM 应用开发框架，提供组件库，简化单次调用和简单链式组合
LangGraph 是 LangChain 的超集，专门解决复杂智能体的状态管理、循环控制和协作编排问题

如果把 LLM 应用开发比作盖房子：

LangChain 提供了砖块、水泥、窗户——丰富的建筑材料
LangGraph 提供了脚手架、蓝图、施工计划——精确的施工控制

从你 notebook 中的搜索助手案例可以看到，LangGraph 让原本只能写死在代码里的”判断-搜索-回答”流程，变成了一个可视化、可调试、可扩展的图结构。当需求变得更加复杂（比如加入反思循环、并行搜索、人工审核等），LangGraph 的优势会愈发明显。

参考资料：DataWhale Hello-Agents 第六章框架开发实践

#LangChain