当前位置：首页 > news >正文

LangChain与LangGraph详解：用法、差异与实战指南

news 2026/5/21 19:53:00

一、框架核心定位：各司其职，相辅相成

1. LangChain：LLM应用的“模块化工具箱”

2. LangGraph：复杂工作流的“图结构编排引擎”

二、LangChain详解：核心用法与实操案例

（一）LangChain核心组件（必懂）

（二）LangChain基础用法：从环境搭建到核心实操

1. 环境搭建（Python 3.9+）

2. 基础实操：线性Chain调用（最简案例）

3. 进阶实操：轻量Agent（工具调用）

三、LangGraph详解：核心用法与实操案例

（一）LangGraph核心概念

（二）LangGraph基础用法：从环境搭建到图结构实现

1. 环境搭建

2. 基础实操：简单图结构（线性流程）

3. 进阶实操：复杂图结构（条件分支+循环）

四、LangChain与LangGraph核心差异（全方位对比）

补充：适配场景与组合用法

1. LangChain适配场景（占LLM应用需求的60%+）

2. LangGraph适配场景（聚焦高价值复杂需求）

3. 组合用法（1+1>2）

五、总结：如何选择与落地？

一、框架核心定位：各司其职，相辅相成

LangChain和LangGraph并非替代关系，而是LangChain生态中“基础工具”与“高级编排”的互补组合，共享LangChain Core基础组件和LangSmith调试平台，却面向不同复杂度的开发需求，核心定位差异显著：

1. LangChain：LLM应用的“模块化工具箱”

LangChain的核心定位是简化LLM应用开发的模块化抽象框架，它将复杂的AI应用拆解为可重用的组件，让开发者像搭积木一样组合功能，无需关注底层实现细节。其核心价值在于“连接”——连接LLM、外部工具、私有数据、对话记忆，快速实现从简单文本生成到轻量Agent的落地，主打“快速原型验证”，是LLM应用开发的“入门必备工具”。

LangChain的演进历程清晰体现了其定位变化：0.x版本以“Chain（链）”为核心，强调预定义线性流程；0.1版本实现模块化拆分，引入langchain-core等子包；0.2/1.0版本则彻底聚焦Agent能力，在LangGraph之上重构，仅保留create_agent核心函数，成为LangGraph的生态基础设施之一。

2. LangGraph：复杂工作流的“图结构编排引擎”

LangGraph是LangChain团队于2024年10月推出的状态驱动型图结构编排框架，定位为“智能体运行时”，专门解决LangChain在复杂流程控制上的不足。它以“图”为核心，将任务拆解为离散节点，通过边定义节点间的流转逻辑，支持循环、分支、并行等复杂流程，同时具备原生状态管理和断点续跑能力，主打“生产级复杂Agent落地”，是从原型走向生产的关键工具。

简单来说，LangChain帮你快速“搭好组件”，LangGraph帮你“管好流程”——当你的应用需要多步骤决策、多智能体协作或复杂逻辑循环时，LangGraph将成为核心支撑。

二、LangChain详解：核心用法与实操案例

LangChain的核心优势的是“组件化”和“易用性”，其所有功能都围绕五大核心组件展开，掌握这些组件，就能快速搭建90%以上的LLM应用。

（一）LangChain核心组件（必懂）

LangChain的组件可自由组合，核心组件包括5类，覆盖LLM应用开发的全流程：

Models（模型）：LLM的核心推理引擎，支持所有主流开源和闭源模型（OpenAI、Anthropic、Qwen、GLM等），提供标准化调用接口，可轻松切换模型，同时支持工具调用、结构化输出、多模态等高级能力，是Agent的决策核心。
Prompts（提示词模板）：统一格式化输入，可动态插入变量、对话历史等内容，避免重复编写提示词，同时支持提示词优化、批量生成，提升LLM输出的一致性。
Output Parsers（输出解析器）：将LLM的自由文本输出，解析为JSON、列表、自定义对象等结构化数据，解决LLM输出“不可控”的问题，方便后续逻辑处理。
Memory（记忆）：存储对话历史或任务中间结果，实现多轮对话上下文关联，支持短期内存存储和长期向量数据库检索，让LLM具备“记忆能力”。
Chains/Agent（链/智能体）：串联所有组件的核心，其中Chain是“预定义线性流程”，Agent是“自主决策循环”，可根据任务需求自主调用工具、调整流程，实现复杂任务自动化。

（二）LangChain基础用法：从环境搭建到核心实操

1. 环境搭建（Python 3.9+）

LangChain采用“核心包+按需安装”策略，基础安装命令如下，同时需配置模型密钥（以DeepSeek为例，兼容OpenAI接口）：

# 安装核心依赖 pip install langchain "langchain(openai)" langchain-community langchain-core python-dotenv # 配置.env文件（项目根目录） DEEPSEEK_API_KEY=你的密钥 OPENAI_API_BASE=https://api.deepseek.com/v1

2. 基础实操：线性Chain调用（最简案例）

新版LangChain采用管道符“|”链式写法，简洁易懂，适合实现无复杂分支的线性任务（如文本生成、简单问答）：

import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser # 加载环境变量 load_dotenv() # 1. 初始化LLM（兼容DeepSeek/OpenAI/Qwen等） llm = ChatOpenAI( model="deepseek-chat", api_key=os.getenv("DEEPSEEK_API_KEY"), openai_api_base=os.getenv("OPENAI_API_BASE"), temperature=0.7 # 随机性0-1，越低越严谨 ) # 2. 定义提示词模板 prompt = ChatPromptTemplate.from_messages([ ("system", "你是专业的Python技术助教，回答简洁易懂，适合新手"), ("human", "请讲解：{question}") ]) # 3. 定义输出解析器（统一输出字符串） parser = StrOutputParser() # 4. 链式组合：prompt → llm → parser chain = prompt | llm | parser # 5. 调用执行 if __name__ == "__main__": result = chain.invoke({"question": "LangChain的核心作用是什么？"}) print(result)

执行逻辑：输入问题 → 模板格式化提示词 → LLM推理 → 解析输出，全程线性执行，无分支、无循环，适合快速验证想法。

3. 进阶实操：轻量Agent（工具调用）

LangChain的Agent具备自主决策能力，可根据任务需求调用外部工具（如搜索引擎、计算器），适合简单的工具集成场景：

from langchain.agents import create_openai_functions_agent, AgentExecutor from langchain_core.tools import tool # 1. 定义工具（示例：简单的加法工具） @tool def add(a: int, b: int) -> int: """计算两个整数的和，用于解决加法问题""" return a + b tools = [add] # 2. 定义Agent提示词 prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个擅长解决数学问题的助手，可调用加法工具完成计算，无需多余解释"), ("human", "{input}"), ("agent_scratchpad", "{agent_scratchpad}") # 用于记录Agent思考过程 ]) # 3. 创建Agent并执行 agent = create_openai_functions_agent(llm, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) # 调用Agent agent_executor.invoke({"input": "计算3+5的结果"})

核心特点：Agent会自主判断是否需要调用工具，无需手动指定流程，适合1-2个工具的简单集成场景，但不支持复杂分支和循环。

三、LangGraph详解：核心用法与实操案例

LangGraph的核心是“图结构”和“状态管理”，其核心思想是：将复杂任务拆解为离散的“节点”，通过“边”定义节点间的流转规则，借助“全局状态”实现节点间的数据共享，支持循环、分支、并行等复杂流程，同时具备断点续跑和人机协作能力。

（一）LangGraph核心概念

节点（Nodes）：执行具体任务的基本单元，可对应LLM调用、工具执行、人工审核、数据处理等任意功能，本质是可调用的函数。
边（Edges）：定义节点间的流转逻辑，分为“固定边”（固定跳转至下一个节点）和“条件边”（根据状态判断跳转至不同节点），支持循环和分支。
状态（State）：跨节点持久化的全局数据容器，可存储任务输入、中间结果、对话历史等，所有节点可读取和修改状态，是节点间协作的核心。
检查点（Checkpoint）：自动保存每一步执行状态，支持暂停、恢复执行，实现错误恢复和“时间旅行”调试，提升复杂流程的韧性。

（二）LangGraph基础用法：从环境搭建到图结构实现

1. 环境搭建

LangGraph依赖LangChain核心组件，安装命令如下：

pip install langgraph langchain "langchain(openai)" python-dotenv

2. 基础实操：简单图结构（线性流程）

先实现一个简单的线性图（节点1→节点2→节点3），理解LangGraph的核心流程，以“文本生成→内容审核→输出结果”为例：

import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langgraph.graph import Graph from langgraph.graph import StateGraph, END # 加载环境变量 load_dotenv() llm = ChatOpenAI( model="deepseek-chat", api_key=os.getenv("DEEPSEEK_API_KEY"), openai_api_base=os.getenv("OPENAI_API_BASE"), temperature=0.7 ) # 1. 定义全局状态（存储输入、生成内容、审核结果） class State: input_text: str # 输入文本 generated_text: str # 生成的内容 review_result: str # 审核结果 # 2. 定义节点函数 def generate_content(state: State) -> State: """节点1：生成文本内容""" prompt = f"根据输入生成短文：{state.input_text}" response = llm.invoke(prompt) return State( input_text=state.input_text, generated_text=response.content, review_result=state.review_result ) def review_content(state: State) -> State: """节点2：审核文本内容""" prompt = f"审核以下内容是否合规，仅输出'合规'或'不合规'：{state.generated_text}" response = llm.invoke(prompt) return State( input_text=state.input_text, generated_text=state.generated_text, review_result=response.content ) def output_result(state: State) -> State: """节点3：输出最终结果""" print(f"输入：{state.input_text}") print(f"生成内容：{state.generated_text}") print(f"审核结果：{state.review_result}") return state # 3. 构建图结构 graph = StateGraph(State) # 添加节点 graph.add_node("generate", generate_content) # 生成节点 graph.add_node("review", review_content) # 审核节点 graph.add_node("output", output_result) # 输出节点 # 定义边（线性流转：generate → review → output → 结束） graph.add_edge("generate", "review") graph.add_edge("review", "output") graph.add_edge("output", END) # 设置入口节点 graph.set_entry_point("generate") # 编译图 app = graph.compile() # 运行图 if __name__ == "__main__": app.invoke(State(input_text="介绍LangGraph的核心功能", generated_text="", review_result=""))

3. 进阶实操：复杂图结构（条件分支+循环）

LangGraph的核心优势的是支持条件分支和循环，以“客服工单处理”为例，实现“读取工单→分类→处理→审核→循环/结束”的复杂流程：

from langgraph.graph import StateGraph, END # 1. 定义状态（扩展工单相关字段） class TicketState: ticket_content: str # 工单内容 ticket_type: str # 工单类型（咨询/投诉/报错） handle_result: str # 处理结果 review_pass: bool # 审核是否通过 # 2. 定义节点函数 def read_ticket(state: TicketState) -> TicketState: """节点1：读取工单内容（模拟输入）""" print(f"读取工单：{state.ticket_content}") return state def classify_ticket(state: TicketState) -> TicketState: """节点2：分类工单类型""" prompt = f"判断以下工单类型（仅输出咨询/投诉/报错）：{state.ticket_content}" response = llm.invoke(prompt) return TicketState( ticket_content=state.ticket_content, ticket_type=response.content, handle_result=state.handle_result, review_pass=state.review_pass ) def handle_inquiry(state: TicketState) -> TicketState: """节点3：处理咨询类工单""" prompt = f"针对咨询工单给出简洁回复：{state.ticket_content}" response = llm.invoke(prompt) return TicketState( **state.__dict__, handle_result=response.content ) def handle_complaint(state: TicketState) -> TicketState: """节点4：处理投诉类工单""" prompt = f"针对投诉工单给出道歉+解决方案：{state.ticket_content}" response = llm.invoke(prompt) return TicketState( **state.__dict__, handle_result=response.content ) def review_result(state: TicketState) -> str: """节点5：审核处理结果（条件分支判断）""" prompt = f"判断以下处理结果是否合格（仅输出通过/不通过）：{state.handle_result}" response = llm.invoke(prompt) if response.content == "通过": return "end" # 跳转至结束 else: return "rehandle" # 跳转至重新处理（循环） # 3. 构建复杂图结构 graph = StateGraph(TicketState) # 添加节点 graph.add_node("read", read_ticket) graph.add_node("classify", classify_ticket) graph.add_node("handle_inquiry", handle_inquiry) graph.add_node("handle_complaint", handle_complaint) graph.add_node("review", review_result) # 定义边（条件分支+循环） graph.add_edge("read", "classify") # 条件分支：根据工单类型跳转至不同处理节点 graph.add_conditional_edges( "classify", lambda state: state.ticket_type, # 分支判断依据 { "咨询": "handle_inquiry", "投诉": "handle_complaint", "报错": END # 报错工单暂不处理，直接结束 } ) # 处理节点统一跳转至审核节点 graph.add_edge("handle_inquiry", "review") graph.add_edge("handle_complaint", "review") # 审核节点条件分支：通过则结束，不通过则重新处理（循环） graph.add_conditional_edges( "review", lambda state: state.review_pass, { "end": END, "rehandle": "classify" # 重新分类，进入循环 } ) # 设置入口节点 graph.set_entry_point("read") # 编译并运行 app = graph.compile() app.invoke(TicketState( ticket_content="我的账号无法登录，麻烦解决一下", ticket_type="", handle_result="", review_pass=False ))

核心特点：支持条件分支（根据工单类型跳转）和循环（审核不通过重新处理），具备状态持久化能力，可应对复杂的业务流程，这是LangChain无法实现的核心功能。

开启 LangGraph 的「检查点（Checkpoint）」功能 —— 默认情况下不自动存储，仅在内存中流转；开启检查点后，每一步的state（节点执行后的完整状态）会被持久化存储，支持断点续跑、回溯和 “时间旅行” 调试。

from langgraph.checkpoint.memory import MemorySaver # 初始化检查点（存储在内存中，也可配置存到本地文件/数据库） memory = MemorySaver() # 编译图，开启检查点，每一步state都会被存储 app = graph.compile(checkpointer=memory)

存储的内容：开启检查点后，每一步节点执行后的完整 state都会被存储（包括所有字段，如ticket_content、ticket_type、handle_result等），不是只存某一个字段。
存储位置：默认用MemorySaver是存在内存中（程序重启后丢失），适合调试；生产环境可换成FileCheckpointer（存本地文件）、SQLCheckpointer（存数据库），确保 state 永久存储。
与文档代码的兼容：文档中所有节点函数（classify_ticket、handle_inquiry等）无需修改，只要开启检查点，就能自动存储每一步的返回值（state），无需额外编写存储逻辑。

四、LangChain与LangGraph核心差异（全方位对比）

为了更清晰地展示两者的区别，从抽象层级、流程控制、状态管理等10个核心维度进行对比，同时补充适配场景和开发建议：

对比维度	LangChain	LangGraph
核心定位	模块化工具箱，快速搭建LLM应用	图结构编排引擎，管理复杂流程
抽象层级	高层封装（预制组件、模板），隐藏底层细节	底层编排（节点、边、状态），完全可控
流程控制	线性Chain或简单Agent循环，不支持复杂分支/循环	任意图结构（分支、循环、并行），动态流转
状态管理	简单内存或外部存储，无原生全局状态	原生状态图，自动持久化，支持断点续跑
核心组件	Models、Prompts、Memory、Chains、Agent	Nodes、Edges、State、Checkpoint
开发效率	高，预制组件开箱即用，新手1天上手	低，需设计图结构，学习周期1-2周
运行性能	简单场景快（启动快、资源占用低）	复杂场景优（并发能力高，流程韧性强）
维护成本	线性流程易维护，复杂流程难迭代	图结构逻辑清晰，后期迭代成本低
人机协作	有限支持，需手动实现中断逻辑	内置中断、审批能力，支持人机协同
适用团队	无复杂系统开发经验的小团队、新手	有状态机/工作流经验的中大型团队

补充：适配场景与组合用法

1. LangChain适配场景（占LLM应用需求的60%+）

快速原型验证：5分钟内通过组件拼接验证AI想法（如简单问答、文本摘要）；
线性标准化任务：无复杂分支的单次触发型需求（文档总结、数据报表生成、基础RAG问答）；
轻量工具集成：需调用1-2个外部工具的简单场景（如“查询天气+生成提醒”）。

2. LangGraph适配场景（聚焦高价值复杂需求）

多步骤自治任务：需动态决策的长流程需求（如企业级报告生成、金融风控审核）；
多智能体协作：多角色分工的复杂系统（规划Agent+检索Agent+写作Agent协同）；
高韧性业务场景：需频繁错误处理、重试的核心业务（智能客服工单闭环、医疗诊断流程）。

3. 组合用法（1+1>2）

LangChain和LangGraph的最佳实践是“组合使用”：用LangChain的预制组件（如RAG工具链、对话记忆、模型接口）作为LangGraph的“节点功能模块”，再通过LangGraph的图结构管理整体流程，适配中大型项目。例如：电商智能导购系统，用LangChain实现商品检索和用户意图识别，用LangGraph管理“咨询→推荐→异议处理→下单”的全流程。