前言
要说2025年人工智能大模型最火热的概念，必然是AI Agent 智能体(对AI Agent不了解的可以看笔者文章 一文读懂2025核心概念 AI Agent。 AI Agent将大模型作为核心组件，通过逻辑编排创造出众多便利人类工作生活的工具（例如RAG知识库系统、自动翻译系统等），是人工智能应用开发的具体表现形式。可以说程序员要想赶上这波大模型未来时代的浪潮，AI Agent开发能力必不可少。
如果只选一项AI Agent框架进行学习的话，毫无疑问，一定是------LangChain。据不完全统计，目前全网大模型应用开发岗位90%要求掌握LangChain。在Github上，LangChain目前已经斩获11万加的Star，是目前最受欢迎的AI Agent开发框架没有之一。
为了让更多人掌握AI Agent的开发能力，笔者特开设《深入浅出LangChain&LangGraph AI Agent智能体开发》专栏，带大家从0学习LangChain，快速了解LangChain、LangGraph技术生态，深入讲解LangChain接入人工智能大模型完整流程，学习工作流链（Chain）构建的核心语法，并通过众多实战项目让大家彻底学会AI Agent智能体开发技能！
一、什么是LangChain?
1.1 LangChain基本概念
LangChain 是一个开源框架，旨在简化基于大型语言模型（LLM）的应用程序开发。该框架由 Harrison Chase 于 2022 年 10 月发起，迅速成为 GitHub 上增长最快的开源项目之一，直到现在仍然以飞快速度不断迭代升级。它支持 Python和JavaScript，适用于构建各种大模型驱动的应用程序，如聊天机器人、智能搜索、问答工具、摘要工具以及能够执行机器人流程自动化（RPA）的 AI 代理。
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，封装成可自动执行每一步的组件，同样该组件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。下图以LangChain搭建大模型中英文翻译系统为例:
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，新一代大模型如DeepSeek-R1-0528、Qwen3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。本系列笔者在分享会紧紧依据该体系，加快大家的学习效率~
二、LangGraph是什么?
2025年以来，除了LangChain，另一个叫LangGraph也慢慢崛起。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
大家如果一直关注笔者的文章一定对Qwen-Agent开发框架并不陌生:
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
LangChain的性能如此优异自然是很多著名开源项目的底层开发框架，例如字节前段时间开源的Deep Research应用deer-flow就是采用LangChain&LangGraph框架开发的
此外如谷歌近段时间开源的Gemini Fullstack LangGraph Quickstart热门项目，也是使用LangChain&LangGraph作为基础框架:
五、总结
本篇分享从LangChain&LangGraph的核心概念、核心特性、与其它框架的对比以及热门LangChain&LangGraph项目四个方面带大家详细了解了LangChain和LangGraph框架。相信看到这儿大家已经迫不及待的想上手利用LangChain配合自己的独特创意搭建AI Agent智能体了，别急，具体操作内容我们下节分享~
本系列分享预计会有20节左右的规模，保证大家看完一定能够掌握LangChain&LangGraph的开发能力，大家感兴趣可关注笔者掘金账号和专栏，更可关注笔者的同名微信公众号：大模型真好玩， 以后每节的代码和资料分享均在该公众号免费提供~