参考资料：
langChain介绍
LangChain 是一个 基础框架，专注于大语言模型（LLM）应用 的开发。它提供模块化 的构建块和全生命周期支持，适合简单的任务链式执行。
核心特点：
- 任务链（Chains）：支持通过链式结构串联多步骤任务，如提示生成、模型调用和结果解析。
- 工具集成：通过 Agents 协调外部工具（如数据库、API）与模型的交互。
- 检索增强生成（RAG）：结合文档加载、向量化存储和语义检索，提升回答的准确性。
- 模块化设计：包含核心接口（langchain-core）和社区扩展（langchain-community）。
适用场景：
- 构建简单的对话系统、问答机器人。
- 实现文档摘要、知识检索等基础任务。
langGraph介绍
LangGraph 是 LangChain 的 扩展库，专注于复杂任务流的编排，尤其适用于多智能体协作 和有状态的任务管理。
核心特点：
- 图结构任务流：通过节点（Nodes）和边（Edges）定义任务图，支持并行执行和依赖管理。
- 状态持久化：支持任务状态的保存与恢复，适合长时任务或人工介入场景。
- 条件分支控制：基于 LLM 推理结果动态选择执行路径。
- 多智能体协作：支持构建多智能体系统，实现任务分工与协作。
适用场景：
- 开发复杂的多智能体系统，如代码生成与测试的反馈循环。
- 实现需要复杂流程控制的自动化任务，如数据分析和审批流程。
LangSmith（开发者辅助平台）
直接发 request 调大模型 API
手写底层调用：直接 request 调 API。
需要自己处理：
- prompt 拼接
- 多轮对话历史
- 输出解析
- 异常重试 / 超时
- 工具调用（函数 schema）
- 检索、记忆、链式推理
- 调多个模型、多个步骤
自由度高，但"脏活累活"全在自己写
langchain和langgraph的区别
| 特性 | LangChain | LangGraph |
|---|---|---|
| 核心理念 | "链式调用 LLM" → 将 LLM、工具、检索、记忆等组成 链（Chain）" | "图化 LLM 计算流程" → 将 LLM 调用、工具调用、数据流设计为 图（Graph）节点" |
| 调用方式 | 顺序、线性或简单分支 | 支持 DAG（有向无环图）、多分支、多输入输出 |
| 适合场景 | 单一任务、链式步骤、简单工具调用 | 复杂业务逻辑、多模型协作、多分支推理、可视化工作流 |
| 记忆管理 | 内置 Memory 对象，容易做多轮对话 | 需要自己设计节点状态，但可以跨节点共享上下文 |
| 代码风格 | 面向链式流程，代码简洁 | 面向图节点，流程可视化，节点间数据流显式 |
补充知识点
LlamaIndex是什么？