一文带你搞懂 AI Agent 开发利器：LangGraph 与 LangChain 区别

作者：CSDN博客
在 AI Agent 开发领域，工具的选择至关重要，不同的框架有着各自的特点与优势。LangGraph 与 LangChain 便是其中备受瞩目的两款开发利器，它们在功能、适用场景等方面存在诸多差异。接下来，让我们深入探究二者的区别，以便开发者能依据自身需求做出更优选择 。

一、什么是LangChain?

1.1 LangChain基本概念

LangChain 是一个强大的开源框架，专为构建与大语言模型（LLMs）相关的应用而设计。它并非致力于开发 LLMs，而是为各种 LLMs 提供通用接口，旨在降低开发者的学习成本，助力其快速开发复杂的 LLMs 应用。通过将多个 API、数据源和外部工具无缝集成，LangChain 能帮助开发者更高效地构建智能应用，从与 OpenAI 等顶级大模型供应商的集成，到复杂的对话系统、智能搜索、推荐系统等，它都提供了丰富功能和灵活接口。
直观来说，LangChain可以将工具组件、提示词组件、大模型组件有机融合，封装成可自动执行的流程，同样该流程也可作为别的编排流程中的组件。用LangChain开发智能体一个形象的比喻是就像在搭乐高积木，通过组合构建出适用于不同场景需求的大模型应用。
1.2 LangChain核心功能

作为大模型应用开发的“积木工厂”，LangChain自然具备丰富的核心能力。进入0.3版本后（我们本系列分享都以0.3.5版本的LangChain作为讲解），LangChain的模块划分更加清晰、功能更加丰富和稳定，逐步达到了企业级应用开发的水准。目前LangChain具备的核心功能如下:

模块类别	示例功能
模型接口封装	OpenAI、Claude、Cohere、Qwen 等模型统一调用方式
输出结构化	自动从模型中解析 JSON、Schema、函数签名、文档等
Memory 管理	Buffer、Summary、Entity、Conversation Memory 等
Tool 接入	Web 搜索、SQL 数据库、Python 执行器、API 代理等
Agent 架构	ReAct、Self-Ask、OpenAI Function Agent 等调度机制
RAG 集成	多种 Retriever、Vector Store、文档拆分策略
Server/API 发布	快速将链部署为 Web 服务或 A2A Agent
Debug & Callback	Token 使用统计、LangSmith 可视化追踪等

如此丰富的核心功能可以说LangChain不仅仅是智能体开发应用的简单框架，更是大模型能力增强器+应用组装工具箱。以上功能在我们之后的分享实战中会陆续使用。
1.3 LangChain核心架构

虽然2023年LangChain的接口还十分混乱，学习成本非常高，但经过两年的发展LangChain的架构越来越明晰，上手也越来越简单，当前版本LangChain核心架构如下:

最底层架构是大模型API抽象层: LangChain围绕各类模型设置统一的接口，用户可以方便接入所需大模型。为了让各类模型接入更加统一和稳定，LangChain不惜为不同的模型单独开发一个库。
中间层架构是工作流API抽象层: LangChain在确保模型稳步接入后，紧接着定义了一整套LCEL（LangChain Expression Language)的语法规则，基于这个语法，开发者能够非常便捷的将提示词模板、大模型以及一些外部工具进行组合拼装，搭建一些工作流（和现在爆火的n8n非常类似）。
最顶层是Agent API抽象层: 随着大模型基座能力的飞速进化，新一代大模型等不仅拥有非常强悍的外部工具识别和调用能力，还原生就支持多工具并联和串联调用，而开发者对于大模型应用开发的需求也在快速变化，单纯的构建这种线性的工作流，可拓展性并不强。为此，LangChain又进行了第三层封装，在Chain基础上，LangChain设置了一整套能够实时根据用户需求灵活创建Chain来完成工作的API——Agent API。借助这些API，开发者仅需将模型、提示词模板和外部工具“放一起”创建Agent，该Agent就能自动根据用户需求创建一些链来完成工作。从而避免开发者反复编写各种链的复杂工作，大幅加快的了开发效率。

对于上图中细节大家不必现在就力求理解，只需要建立起LangChain三层架构的体系。本系列分享笔者会紧紧依据该体系，通俗易懂讲解LangChain开发~
二、LangGraph是什么?

LangGraph 是专为开发者设计的框架，适用于偏好可视化方法构建语言模型管道的用户，以图（Graph）的方式编排工作流，核心原理是用 “图” 重构任务流。
图结构组成：
节点（Node）  ：

Agent 节点：封装独立 Agent 能力，如调用 GPT-4 处理问题、知识检索。Tool 节点：调用具体工具，如搜索 API、数据库查询，用于执行特定计算或处理任务。END 节点：流程结束标识。

边（Edge）：标注状态流转的决策路径，决定下一步跳转至哪个节点，支持顺序执行和条件跳转等。
状态（State）：贯穿整个流程，记录数据或交互状态，驱动节点间流转。
控制流与应用场景：

控制流：支持循环、分支、并行等控制流。应用场景：适用于线性链、分支链或简单 Agent 系统难以满足需求的复杂应用场景，能处理更复杂的条件逻辑和反馈循环。例如在处理用户工单时，可通过其实现意图识别→专家 Agent 处理→结果审核等复杂流程。

大家在阅读LangChain官方文档时，也总会看到如下的架构图，图中LangChain和LangGraph甚至是并列存在的，这时有人就要问：“LangGraph是个什么东东，它和LangChain又有什么关系呢?"

其实， LangGraph和LangChain同宗同源，底层架构完全相同、接口完全相通。从开发者角度来说，LangGraph也是使用LangChain底层API来接入各类大模型、LangGraph也完全兼容LangChain内置的一系列工具。
传统LangChain链式工作流的形式在当前使用场景下显得过分简单，所以LangChain开发团队就在LangChain接口的基础上开发了一套新的框架。换而言之，LangGraph的核心功能都是依托LangChain来完成。但是和LangChain的链式工作流哲学完全不同的是，LangGraph的基础哲学是构建图结构的工作流，并引入“状态”这一核心概念来描绘任务执行情况，从而拓展了LangChain LCEL链式语法的功能灵活程度。
LangGraph的本质还是LangChain的高级编排工具，无论图结构多复杂，单独每个任务执行链路仍然是线性的，其背后仍然是靠着LangChain的Chain来实现的。 因此我们本系列分享的逻辑也是先学LangChain，然后在LangChain的基础上进一步学习LangGraph。

三、LangChain和其它AI Agent框架对比

除此之外，市面上目前还有谷歌ADK， OpenAI的Agent SDK等，这么多框架为什么说只有LangChain是大模型时代必须掌握的Agent开发方式呢? 原因如下：

谷歌ADK、OpenAI Agent SDK和Qwen-Agent这些大家可以看作一派方法，它们背后的设计理念是高度类似的。它们的出发点是希望借助大模型的原始能力，通过两三行代码就可以构建好一个Agent。这也是我那两篇Qwen-Agent教程大家读起来非常简单的原因。这些项目更适用于快速AI Agent开发交互应用等科研性质的项目。LangChain自成一派。LangChain作为现有最强的大语言模型能力增强器，本身考虑了大语言模型运行的所有情况，包含了丰富的细分功能。因此在很多场景下LangChain工具本身不可代替（控制更加细粒度）。

综上所述，哪怕当前OpenAI、Google和阿里等巨头纷纷下场发布全新一代Agent开发框架，LangChain的地位依然屹立不倒。而像AutoGen、CrewAI和Dify等在LangChain面前更像是快速落地的玩具框架，很难完全达到LangChain同级别的工业水准。
四、LangChain热门项目

对话式 AI 助手：借助 LangChain 的上下文管理功能，可构建更自然、连贯的对话系统，用于智能客服、虚拟助手等。例如许多企业利用 LangChain 开发的智能客服，能根据用户历史对话记录，快速理解用户问题，提供精准解答，提升客户服务效率和质量。
智能搜索与推荐：通过集成大模型 API，可为网站或应用添加智能搜索与推荐功能，提升用户体验。如一些电商平台使用 LangChain 实现智能商品搜索推荐，用户输入模糊关键词，系统可理解意图，推荐相关商品。
内容生成与优化：开发者可使用 LangChain 构建自动生成内容的工具，包括文章写作、代码生成等，大幅提升效率。比如部分自媒体创作者利用基于 LangChain 开发的工具，快速生成文章大纲或特定主题内容 。

五、总结

LangChain 作为一款开源框架，凭借通用接口、丰富组件和模块化设计，能高效集成各类资源，在标准化任务、快速原型验证以及单 Agent 应用开发等方面表现突出，像对话式 AI 助手、智能搜索与推荐等热门项目都能借助它实现。​
而 LangGraph 以图结构编排工作流，在处理复杂系统、支持多 Agent 协作和复杂控制流方面更具优势，适用于线性链等难以满足需求的复杂场景。​
开发者在选择时，需依据项目的复杂程度、是否需要多 Agent 协作、对流程灵活性的要求等因素，挑选更契合自身需求的工具，以高效完成 AI Agent 开发工作。
六、如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

大模型 AI 能干什么？大模型是怎样获得「智能」的？用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例：向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示（Embeddings）向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

为什么要做 RAG什么是模型什么是模型训练求解器 & 损失函数简介小实验2：手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身：基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例：如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

原文地址：https://blog.csdn.net/xxue345678/article/details/149394171