企业官网建设流程全解析

LangChain 与 LangGraph 完全解析：从“流水线”到“智能流程图”

关键词：LangChain、LangGraph、大模型应用开发、AI Agent、LCEL

📑 目录

1. 从两个装修队的故事说起
2. LangChain：大模型时代的“积木工具箱”
3. LangGraph：让AI“会拐弯”的流程图引擎
4. 一张图看懂 LangChain 与 LangGraph 的关系
5. 实战代码：从 LangChain 到 LangGraph
6. 什么时候该用谁？选型决策指南
7. 2025年最新动态：1.0 时代来了
8. 总结与学习路线

1. 从两个装修队的故事说起

想象你最近买了新房，需要做全屋装修。你找了两个装修队：

装修队 A的工头是个“流程大师”。他会把装修拆成一系列固定步骤：水电改造 → 贴砖 → 刷墙 → 装柜子 → 铺地板。每一步做完才能做下一步，顺序清晰、有条不紊。如果你中途想“先铺地板再刷墙”，他会说：“不行，流程不是这么设计的。”——这就是LangChain的风格：线性、有序、按部就班。

装修队 B的工头是个“灵活调度员”。他不会死守固定顺序，而是根据现场情况动态决策：如果今天下雨不能刷外墙，他就先做室内；如果墙面没干透，他就先去铺地板；他甚至会同时让木工和电工一起进场干活。遇到复杂情况，他还会停下来问你：“这个柜子要什么颜色？”——这就是LangGraph的风格：图结构、有状态、能循环、能分支、能等人。

两个装修队都能把房子装好，但适合的场景完全不同。LangChain 适合“流程明确、步骤固定”的任务，LangGraph 适合“需要动态决策、反复调整、多个角色协作”的复杂场景。

💡一句话总结：LangChain 是“流水线”，LangGraph 是“流程图”。流水线适合重复性工作，流程图适合需要不断调整的复杂任务。

2. LangChain：大模型时代的“积木工具箱”

2.1 LangChain 是什么？

LangChain是一个开源框架，专门用来帮助开发者构建基于大语言模型（LLM）的应用程序。它的核心思想是：把AI应用的各个组件像积木一样拼装起来。

框架的名字“LangChain”是“Language”（语言）和“Chain”（链）的组合，反映了它的核心设计理念——通过将模块化的组件串联（Chain）在一起来构建复杂的应用。

2.2 LangChain 的核心组件

LangChain 提供了七大类组件：

2.3 LCEL：LangChain 的“胶水语言”

LangChain 最核心的创新是LCEL（LangChain Expression Language，LangChain表达式语言）。它用管道操作符|把各个组件串联起来，写法极其简洁：

fromlangchain.promptsimportPromptTemplatefromlangchain_openaiimportChatOpenAI# 定义提示词模板prompt=PromptTemplate.from_template("用中文总结以下内容：{text}")# 定义模型model=ChatOpenAI(model="gpt-4o-mini")# 用 | 串联成链chain=prompt|model# 执行result=chain.invoke({"text":"Artificial intelligence is transforming..."})

是不是很像 Unix 的管道命令？prompt | model的意思是：把 prompt 的输出（格式化后的提示词）直接传给 model。

更复杂的多步骤链也是同样的写法：

# 先总结 → 再翻译成西班牙语summarize_prompt=PromptTemplate.from_template("总结：{text}")translate_prompt=PromptTemplate.from_template("翻译成西班牙语：{summary}")summarize_chain=summarize_prompt|model translate_chain=translate_prompt|model# 组合成两步流水线full_chain=summarize_chain|(lambdax:{"summary":x.content})|translate_chain

💡LCEL 的核心优势：声明式、可组合、易调试。你不需要写一堆if/else和循环，只需要用|把组件“拼”在一起。

2.4 LangChain 适合做什么？

• RAG（检索增强生成）：从文档库中检索相关信息，再让LLM基于这些信息回答
• 文档处理流水线：加载 → 分割 → 向量化 → 存储 → 检索 → 生成
• 简单的问答机器人
• 文本摘要、翻译、分类等一次性任务

一句话：如果你的任务流程是“线性的、步骤固定的”，LangChain 是你的不二之选。

3. LangGraph：让AI“会拐弯”的流程图引擎

3.1 LangGraph 是什么？

LangGraph是 LangChain 生态系统中的一个专门库，用于构建有状态的、多步骤的、图结构的工作流。

如果说 LangChain 是“流水线”（一条直路走到头），那 LangGraph 就是“流程图”——有分支、有循环、有回退、有并行。

LangGraph 被Replit、Uber、LinkedIn、GitLab、Klarna、J.P. Morgan等公司用于生产环境。2025年10月，LangGraph 发布了1.0 正式版，成为“持久化智能体框架”领域的第一个稳定大版本。

3.2 LangGraph 的核心概念

LangGraph 把工作流抽象成一张有向图（Graph）：

节点可以是一个LLM调用、一个工具调用、一个函数、甚至是一个人机交互的暂停点。状态则在节点之间传递，每个节点都能读取和修改它。

3.3 LangGraph 的四大核心能力

LangGraph 提供了四个传统线性流程难以实现的核心能力：

① 持久化执行（Durable Execution）

想象一下：一个AI智能体正在执行一个需要运行 10 分钟的复杂任务，跑到第 8 分钟时服务器崩溃了。传统方案：从头再来。LangGraph：从崩溃的地方接着跑——因为每一步的状态都被自动保存了。

② 人机协作（Human-in-the-Loop）

AI在执行过程中可以停下来等人类审批。比如一个金融交易智能体准备下单时，可以暂停并询问：“这笔交易金额较大，请确认是否执行？”这在传统线性流程中几乎无法实现。

③ 循环与分支（Loops & Branching）

AI可以反复执行某个步骤直到条件满足。比如“写代码 → 运行测试 → 如果失败就修改代码 → 再运行测试”这个循环，在 LangGraph 中就是一个带条件边的图。

④ 全面的记忆（Comprehensive Memory）

不仅支持短期记忆（当前对话的上下文），还支持长期记忆（跨会话的持久化存储）。

3.4 LangGraph 适合做什么？

• 复杂的 AI Agent（智能体）：需要多轮思考、调用工具、根据结果调整策略
• 多智能体协作系统：多个AI角色分工合作
• 需要人工审批的业务流程：金融交易、医疗诊断、合同审核
• 长时间运行的任务：需要断点续跑、状态持久化
• 研究型 Agent：自主规划、执行、反思、再规划

💡一句话：如果你的任务“会拐弯、会循环、需要等人、需要记住很多事”，LangGraph 是你的最佳选择。

4. 一张图看懂 LangChain 与 LangGraph 的关系

很多初学者会问：“LangGraph 是 LangChain 的替代品吗？”不是。

LangGraph构建在 LangChain 之上，是 LangChain 生态系统的一部分。你可以把 LangGraph 想象成 LangChain 的“高级扩展包”——它用了 LangChain 的所有组件（模型、提示词、工具等），但加了一层图结构编排引擎。

两者的关系可以这样理解：

💡最重要的区别：LangChain 的 Chain 是线性的——A→B→C→D，一条路走到底。LangGraph 的 Graph 是网状的——可以从A到B或C，B可以回到A，C可以到D也可以到E。LangChain 版本的代码写起来更快，LangGraph 版本能在服务器崩溃后断点续跑，还能在节点之间暂停等待人工审批。

5. 实战代码：从 LangChain 到 LangGraph

5.1 安装

# 安装 LangChainpipinstalllangchain langchain_openai# 安装 LangGraphpipinstalllanggraph

5.2 LangChain 版本：一个简单的问答链

fromlangchain.promptsimportPromptTemplatefromlangchain_openaiimportChatOpenAI# 定义提示词prompt=PromptTemplate.from_template("请回答以下问题：{question}")# 定义模型model=ChatOpenAI(model="gpt-4o-mini")# 用 LCEL 创建链chain=prompt|model# 执行result=chain.invoke({"question":"什么是人工智能？"})print(result.content)

这就是一个典型的 LangChain 应用：线性、简单、一次性执行。

5.3 LangGraph 版本：一个带“反思循环”的智能体

同样的“回答问题”任务，用 LangGraph 可以做得更智能——让AI先回答，再自己检查答案质量，不满意就重新回答：

fromlanggraph.graphimportStateGraph,MessagesState,START,ENDfromlangchain_openaiimportChatOpenAIfromtypingimportLiteral model=ChatOpenAI(model="gpt-4o-mini")# 定义状态（在节点之间共享的数据）classAgentState(MessagesState):attempt:int# 尝试次数best_answer:str# 当前最佳答案quality_score:int# 质量评分# 节点1：生成答案defgenerate_answer(state:AgentState):response=model.invoke(state["messages"])return{"messages":[response],"attempt":state.get("attempt",0)+1,"best_answer":response.content,}# 节点2：评估答案质量defevaluate_answer(state:AgentState):eval_prompt=f"请给以下答案打分（1-10）：{state['best_answer']}"eval_response=model.invoke(eval_prompt)# 简单模拟评分逻辑score=8if"好"ineval_response.contentelse5return{"quality_score":score}# 条件边：根据评分决定下一步defshould_continue(state:AgentState)->Literal["generate",END]:ifstate["quality_score"]<7andstate["attempt"]<3:return"generate"# 评分低且未达上限 → 重新生成returnEND# 评分达标或已达上限 → 结束# 构建图graph=StateGraph(AgentState)graph.add_node("generate",generate_answer)graph.add_node("evaluate",evaluate_answer)graph.add_edge(START,"generate")graph.add_edge("generate","evaluate")graph.add_conditional_edges("evaluate",should_continue)# 条件分支！graph.add_edge("generate",END)# 编译并执行app=graph.compile()result=app.invoke({"messages":[{"role":"user","content":"什么是人工智能？"}]})print(result["best_answer"])

看到了吗？这个流程会：

1. 生成一个答案
2. 评估这个答案的质量
3. 如果质量不行（<7分）且尝试次数不到3次 →回到第1步重新生成
4. 如果质量达标或尝试了3次 → 结束

这就是 LangGraph 的“循环”能力——在 LangChain 的线性链中无法实现。

5.4 一个更真实的例子：多智能体协作

LangGraph 最强大的场景是多智能体协作。想象一个“AI 研究助手”系统：

# 伪代码示意架构# 三个智能体分工协作：# - 研究员 Agent：负责搜索和收集信息# - 分析师 Agent：负责分析和总结# - 撰稿人 Agent：负责撰写最终报告# 工作流：# 用户提问 → 研究员搜索 → 分析师总结 → 撰稿人撰写 → 研究员补充 → 分析师优化 → 撰稿人定稿# ↑_______________↓（可以循环多次直到满意）

每个 Agent 都是一个节点，节点之间的流转由条件边根据当前状态动态决定。这种架构在 LangChain 中几乎无法实现，但在 LangGraph 中却是“天生就会”的。

6. 什么时候该用谁？选型决策指南

6.1 决策树

6.2 详细场景对照表

6.3 一个重要的提醒

两者不是互斥的。你可以（也应该）在 LangGraph 的节点内部使用 LangChain 的组件。比如：

• 用 LangChain 的PromptTemplate来管理提示词
• 用 LangChain 的ChatOpenAI来调用模型
• 用 LangChain 的Tool来定义工具
• 用LangGraph 来编排这些组件之间的流转逻辑

💡最佳实践：用 LangChain 处理“每个步骤内部怎么做”，用 LangGraph 处理“步骤之间怎么跳转”。

7. 2025年最新动态：1.0 时代来了

2025年是 LangChain 和 LangGraph 的里程碑之年。

2025年9月：LangChain 和 LangGraph 同时发布1.0 alpha 版本。

2025年10月：LangGraph1.0 正式版正式发布。这是“持久化智能体框架”领域的第一个稳定大版本。LangChain 也同步发布了 1.0 版本。

1.0 版本的重要变化：

• Python 3.9 支持被移除，要求Python 3.10+
• create_react_agent被标记为弃用，推荐使用新的create_agentAPI
• 两个框架都进入了生产级稳定阶段

对于开发者来说，这意味着：

• ✅ 可以放心在生产环境中使用
• ✅ API 将更加稳定，不会频繁变动
• ✅ 社区生态更加成熟

8. 总结与学习路线

核心知识点回顾

✅LangChain= 大模型应用的“积木工具箱” + “流水线编排器”
✅LCEL= 用|串联组件的声明式语法，简洁高效
✅LangGraph= 图结构的智能体编排引擎，支持循环、分支、状态、持久化
✅两者关系= LangGraph 构建在 LangChain 之上，不是替代而是增强
✅选型原则= 线性流程用 LangChain，复杂控制流用 LangGraph

学习路线图

推荐资源

• LangChain 官方文档
• LangGraph 官方文档
• LangGraph 免费课程
• LangSmith（调试和观测工具）