LangChain vs LangGraph：从困惑到清晰的认知之路(扫盲篇)

前言

在学习 AI 的过程中，我发现一个很普遍的现象：很多开发者（包括我自己）对 LangChain 和 LangGraph 的关系都是一知半解的。

有些人可能知道 LangChain 可以调用 OpenAI API，LangGraph 可以构建 agent，但具体它们是什么关系、为什么需要两个框架、什么时候用哪个，基本上是靠感觉在用。我之前也是这样，能跑通代码就行了，反正功能实现了嘛。

但慢慢我发现，这种"差不多就行"的态度其实是有问题的：

开发效率低下：不清楚工具边界，经常用错工具做事情，绕了很多弯路
代码质量堪忧：不理解底层逻辑，写出来的代码维护性很差
问题排查困难：出了 bug 不知道从哪里入手，只能瞎试
技能天花板：永远停留在"能用"的层次，无法设计出真正高效实用的 AI 系统

更重要的是，当你想要构建更复杂的 AI 应用时------比如需要长期记忆的智能助手、可以自主决策的业务流程、或者需要人机协作的复杂系统------如果不理解这些工具的本质区别，基本上就是在盲人摸象。

所以我觉得有必要花时间理清楚这两者的关系，这不仅是为了写出更好的代码，更是为了能够设计出真正解决实际问题的 AI 系统。

LangChain：基础设施和组件库

LangChain 更像是一个工具箱，提供各种基础组件：

python 复制代码

from langchain_openai import ChatOpenAI
from langchain.tools import tool

# LangChain 提供统一的接口来使用不同的 LLM，更常见的做法是直接实例化具体的模型类
llm = ChatOpenAI(model="gpt-4", temperature=0)

# LangChain 提供工具定义的标准方式
@tool
def write_email(to: str, subject: str, content: str) -> str:
    """Write and send an email."""
    return f"Email sent to {to}"

LangChain 的强项：

模型抽象：统一接口访问不同的 LLM（OpenAI、Anthropic、本地模型等）
工具定义：标准化的工具创建和调用方式
提示模板：管理和组织 prompts
数据处理：文档加载、向量存储、检索等

LangGraph：复杂应用的构建框架

LangGraph 是建立在 LangChain 之上的架构框架，专门用来构建复杂的 AI 应用：

python 复制代码

from typing import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.checkpoint.memory import InMemorySaver

# LangGraph 提供状态管理和流程控制
class State(TypedDict):
    messages: list
    user_info: dict

workflow = StateGraph(State)
# workflow.add_node("process", process_node) # "process_node" 在此未定义，仅为示例
app = workflow.compile(checkpointer=InMemorySaver())

LangGraph 的强项：

状态管理：跟踪整个对话或工作流的状态
流程控制：定义复杂的执行路径和条件分支
持久化：保存和恢复执行状态，支持长时间运行的任务
人机交互：内置 interrupt 机制，支持人工干预
可视化：可以画出执行流程图

形象的比喻

LangChain = 乐高积木

提供各种标准化的"积木"（LLM、工具、提示模板等）
每个积木都有标准接口，可以相互连接
适合构建简单的组合

LangGraph = 乐高建筑设计图 + 施工管理

告诉你如何用这些积木构建复杂的"建筑"（workflow/agent）
提供"施工管理"（状态管理、流程控制、错误处理）
可以处理"建筑过程中的变化"（动态路径、人工干预）

实际应用中的区别

用 LangChain 构建简单应用：

python 复制代码

# 简单的 LLM 调用链
# 这里使用了 LangChain 表达式语言（LCEL），通过管道符 | 可以方便地将组件连接起来。
prompt = "翻译这段文字：{text}"
# chain = llm | output_parser # "output_parser" 在此未定义，仅为示例
# result = chain.invoke({"text": "Hello world"})

等价于以下步骤：

python 复制代码

prompt_text = "翻译这段文字：Hello world"

# 第一步：调用 LLM
llm_response = llm.invoke(prompt_text)
# llm_response 类型通常是 AIMessage，包含很多元数据

# 第二步：使用输出解析器处理 LLM 的原始输出
final_result = output_parser.invoke(llm_response)
# final_result 现在是纯字符串，比如："你好，世界"

用 LangGraph 构建复杂应用：

python 复制代码

# 有状态的、可中断的、多步骤的工作流
app = workflow.compile(checkpointer=InMemorySaver())
config = {"configurable": {"thread_id": "123"}}

# 可以暂停、恢复、查看中间状态
# result = app.invoke(input_data, config) # "input_data" 在此未定义，仅为示例
state = app.get_state(config)  # 查看当前状态
# ... 稍后继续执行

什么时候用哪个？

只需要 LangChain 的情况：

简单的 LLM 调用
基础的 RAG（检索增强生成）
单步骤的工具调用
原型验证

需要 LangGraph 的情况：

多步骤的复杂流程
需要状态管理的对话系统
长时间运行的任务
需要人工干预的 workflow
复杂的 agent 系统

我的学习路线

先学 LangChain 基础：理解 LLM、工具、提示模板等概念
再学 LangGraph：当你需要构建复杂应用时
它们是互补的：LangGraph 依赖 LangChain 的组件，但提供了更高级的组织方式
从简单到复杂：不要一开始就用 LangGraph，除非真的需要其复杂性