一文读懂LangChain/LangGraph：从智能体构建到复杂工作流编排

引言：为什么需要LangChain与LangGraph？

在人工智能应用开发领域，大语言模型（LLM）展现出了惊人的潜力，但直接将其集成到生产系统中却面临诸多挑战：如何管理上下文？如何连接外部工具和数据？如何构建多步骤、有状态的复杂推理流程？这正是LangChain和LangGraph诞生的背景。

LangChain是一个用于开发由语言模型驱动的应用程序的框架，它通过“链”（Chains）的概念，将模型调用、提示模板、记忆、工具调用等组件标准化并串联起来。而LangGraph则是在LangChain基础上，专为构建有状态、多参与者的智能体（Agent）和复杂工作流而设计的库。它引入了图（Graph）的概念，使得开发者能够以可视化、可调试的方式编排LLM、工具和人类决策。

简单来说，LangChain解决了“如何让LLM做一件事”的问题，而LangGraph解决了“如何让LLM和一系列工具协作完成一连串复杂任务”的问题。

核心概念快速扫盲

在深入之前，我们先厘清几个关键术语：

• 链（Chain）：LangChain的核心抽象。一个链将多个组件（如模型、提示词、解析器）按固定顺序组合，执行一个特定任务。例如，一个“问答链”可能包含：接收用户问题 -> 检索相关文档 -> 构造提示词 -> 调用LLM -> 解析答案。
• 智能体（Agent）：一个由LLM驱动的自主决策系统。它配备了一系列工具（如搜索、计算、API调用），并能根据目标动态决定下一步使用哪个工具。LangChain提供了多种Agent执行器。
• 图（Graph）：LangGraph的核心。图由节点（Nodes）和边（Edges）组成。节点代表一个执行步骤（如调用LLM、运行工具），边定义了节点之间的流转条件。这允许构建循环、分支和并行执行路径。
• 状态（State）：LangGraph中贯穿整个图执行过程的共享数据上下文。它定义了每个节点可以读取和修改哪些信息，是构建有状态应用的关键。

LangChain 核心组件与实战

让我们通过一个简单的代码示例，快速感受LangChain如何工作。假设我们要构建一个根据公司名称查询其简介并总结的链。

# 示例：使用LangChain构建一个简单的查询-总结链fromlangchain_openaiimportChatOpenAIfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportStrOutputParserfromlangchain_community.utilitiesimportWikipediaAPIWrapper# 1. 初始化组件llm=ChatOpenAI(model="gpt-4o-mini")wikipedia=WikipediaAPIWrapper()output_parser=StrOutputParser()# 2. 构建提示词模板prompt=ChatPromptTemplate.from_messages([("system","你是一个商业分析助手。请根据提供的公司信息，用一段话总结该公司的核心业务与特点。"),("user","公司信息：{company_info}\n\n请开始总结：")])# 3. 构建并运行链# 这是一个简单的链：获取信息 -> 格式化提示词 -> 调用LLM -> 解析输出defcompany_summary_chain(company_name:str):# 第一步：获取信息（可视为一个节点）company_info=wikipedia.run(company_name)# 第二步和第三步：通过LangChain LCEL语法组合chain=prompt|llm|output_parser# 执行链summary=chain.invoke({"company_info":company_info})returnsummary# 使用链result=company_summary_chain("OpenAI")print(result)

这个例子展示了LangChain的“链式”思维。然而，当任务变得复杂，需要根据上一步的结果动态决定下一步行动时（例如，LLM判断信息不足，需要先调用搜索工具），简单的链就显得力不从心。这时就需要智能体，而LangGraph为构建健壮的智能体提供了更强大的范式。

LangGraph：用图编排复杂工作流

LangGraph 将工作流视为一个有向图。它的强大之处在于可以轻松处理：

1. 循环：智能体思考 -> 执行工具 -> 观察结果 -> 继续思考，直到任务完成。
2. 分支：根据LLM或条件判断，决定下一步走向哪个节点。
3. 状态管理：自动维护对话历史、工具执行结果等上下文。

让我们构建一个简单的研究助手智能体，它可以根据一个问题，自动决定是直接回答，还是需要先搜索维基百科。

# 示例：使用LangGraph构建一个带条件分支的研究助手fromtypingimportTypedDict,Annotatedimportoperatorfromlanggraph.graphimportStateGraph,ENDfromlangchain_openaiimportChatOpenAIfromlangchain_community.toolsimportWikipediaQueryRunfromlangchain_community.utilitiesimportWikipediaAPIWrapper# 1. 定义状态结构classAgentState(TypedDict):question:stranswer:strneeds_search:boolsearch_result:str# 2. 初始化工具和模型llm=ChatOpenAI(model="gpt-4o-mini",temperature=0)wiki_tool=WikipediaQueryRun(api_wrapper=WikipediaAPIWrapper())# 3. 定义节点函数defdecide_route(state:AgentState):"""决策节点：判断是否需要搜索"""# 这里可以设计更复杂的逻辑，例如让LLM判断问题是否需要事实核查simple_questions=["什么是人工智能？","你是谁？"]ifstate["question"]insimple_questions:return{"needs_search":False}else:return{"needs_search":True}defcall_llm_directly(state:AgentState):"""直接回答节点"""messages=[("system","你是一个乐于助人的助手。直接回答用户问题。"),("user",state["question"])]response=llm.invoke(messages)return{"answer":response.content}defsearch_and_answer(state:AgentState):"""搜索并回答节点"""# 执行搜索search_result=wiki_tool.run(state["question"])# 基于搜索结果构造提示词messages=[("system","你是一个严谨的研究助手。请基于以下搜索结果为用户的问题提供一个准确的回答。"),("user",f"问题：{state['question']}\n\n搜索结果：{search_result}")]response=llm.invoke(messages)return{"search_result":search_result,"answer":response.content}# 4. 构建图workflow=StateGraph(AgentState)# 添加节点workflow.add_node("decide",decide_route)workflow.add_node("direct_answer",call_llm_directly)workflow.add_node("search_answer",search_and_answer)# 设置入口点workflow.set_entry_point("decide")# 根据条件创建边workflow.add_conditional_edges("decide",# 下一个节点由 `decide_route` 函数返回的 `needs_search` 值决定lambdax:"direct_answer"ifnotx.get("needs_search",True)else"search_answer")workflow.add_edge("direct_answer",END)workflow.add_edge("search_answer",END)# 编译图app=workflow.compile()# 5. 执行图initial_state={"question":"特斯拉汽车公司是哪一年成立的？","answer":"","needs_search":None,"search_result":""}final_state=app.invoke(initial_state)print(f"最终答案：{final_state['answer']}")

通过这个流程图，可以清晰地看到LangGraph的工作方式：

LangChain vs LangGraph：如何选择？

选择建议：

• 如果你的应用是线性的、无状态的或状态简单（例如，聊天机器人单轮响应、文档处理流水线），从LangChain开始更直接。
• 如果你需要构建具备长期记忆、能使用多种工具、任务步骤动态可变的智能体，或者业务逻辑本身就是一个复杂的流程图（例如，客服工单处理、数据分析管道），那么LangGraph是你的不二之选。它提供的结构和可控性对于复杂应用至关重要。