最近很多做Agent开发的朋友问我：
LangChain 和 LangGraph 有啥区别？
甚至还有更直白的：
是不是就像 链表 vs 图？
我的回答：非常形象。
-
LangChain ≈ 链表（单向线性）
-
LangGraph ≈ 有向图（DAG）
下面的内容翻译自 https://www.js-craft.io/blog/langchain-vs-langgraph/
LangChain 和 LangGraph 经常引起混淆。我能理解为什么！
它们不仅名称相似，而且由同一支团队开发并具有共同的目的：与LLM（大型语言模型）协同工作并进行集成。
更有趣的是，在某个特定点，一个可以取代另一个。
把它们想象成锯子和斧头。两者都用于切割，但根据具体工作，其中一种工具可能比另一种更有效。在某些情况下，你甚至可以同时使用两种工具来获得最佳效果。
我认为下图很好地解释了我们可以定义的 LangChain 与 LangGraph 的流程类型的差异：
现在，回到正文。
顾名思义，LangChain 是基于"链"构建的。"链"指的是顺序工作流，其中每个步骤都遵循预先定义的顺序。它非常适合 A → B → C 类型的流程，其中每个步骤都紧接着前一个步骤。
这是定义一个非常简单的链的代码：
const chain = pointA.pipe(pointB).pipe(pointC)另一方面，LangGraph 支持动态分支流程。它允许在每一步进行决策，根据条件启用 A → B 或 C 之类的路径。这使得它非常适合 AI 代理用例，其中 LLM 需要动态确定下一步操作。
例如，上述结构的 LangGraph 代码如下所示：
const graph = new StateGraph()
.addNode("A", functionA)
.addNode("B", functionB)
.addNode("C", functionC)
.addConditionalEdges("A", makeDecision, ["B", "C])考虑以下提示：
Translate this text into English and summarize it:
<< long text in Spanish here >>这是顺序链 A->B->C 的经典示例，其中：
-
A 正在翻译文本
-
B 总结翻译文本
-
C 输出结果
在链中，一个步骤的输出被用作下一步的输入。
现在，我们来看一个AI Agent助手帮助用户选择周末活动的场景：
You are an AI assistant helping a user choose a weekend activity.
Step 1: Ask if they prefer indoors or outdoors.
- If indoors, do a web search and suggest a movie or a book
- If outdoors, check the weather and
- If the weather is good, use Google Maps to suggest a hiking track
- If it rains, use skyscanner.com to search for a flight.
Step 2: Output the final recommendation.在这种情况下，流程会根据用户输入和外部条件进行分支。AI 代理可以动态调用不同的工具，例如网页搜索、天气 API、谷歌地图或天巡。这正是 LangGraph 所擅长的工作流程。
顺便提一下，LangChain 确实提供了一些类似RunnableMap的分支功能。但 LangGraph 在处理这类情况时更加符合人体工程学。
这些工具并非互相排斥，它们也可以协同工作。例如，在 LangGraph 结构中，一个节点可以包含使用 LangChain 实现的一系列步骤。
但总体思路是要记住：
-
LangChain将成为您使用的工具，以添加 LLM 集成和更简单的直接流程
-
而LangGraph是定义 AI 智能体流程的完美工具，有时 LLM 会决定接下来调用图的哪个节点。
我认为，最好先了解 LangChain 的基础知识，然后再学习 LangGraph。虽然在使用 LangGraph 创建智能体之前，你不需要完全掌握 LangChain，但扎实掌握其基础知识肯定会有所帮助。