系列文章导航：AI系列文章导航目录-持续更新中
前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站，麻烦大家帮点贡献下点击量支持一下，您的支持是我更新的动力。
第19课：Agent开发框架------LangChain & LangGraph 完全指南（一）
前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站，麻烦大家帮点贡献下点击量支持一下，您的支持是我更新的动力。
📝 本文定位：这不是一篇普通的技术培训文章。它试图回答两类问题：
- 为什么：LangChain 为什么被创造？LangGraph 为什么从中分离？每一个设计决策背后的行业痛点是什么？
- 怎么做：如何用 LangChain + LangGraph 构建生产级 Agent 应用？
理解"为什么"，你才能真正用好"怎么做"。
零、前因后果：一个框架的诞生与进化
在学任何技术之前，先搞清楚它从哪里来、为什么存在、解决了什么问题。这比背 API 文档重要得多。
0.1 时代背景：2022年的那个秋天
要理解 LangChain，必须先回到 2022 年秋天。
那时候，GPT-3 已经发布两年，但它只是一个"聊天玩具"------你问它问题，它回答，仅此而已。真正的变化发生在 2022 年 3 月：OpenAI 悄悄在 API 里加了一个功能，叫 text-davinci-003，它的指令跟随能力突然变得异常强大。
开发者们开始疯狂实验：
"如果我让 LLM 先思考，再行动，再观察结果，再思考......会怎样？"2022 年 10 月，一篇论文横空出世：ReAct: Synergizing Reasoning and Acting in Language Models 。它证明了一件事：LLM 不只能聊天，它能"推理+行动"，能成为一个真正的 Agent。
ReAct 的核心思想极其简单：
Thought: 我需要查一下今天的天气
Action: search("北京今天天气")
Observation: 北京今天晴，25°C
Thought: 已经知道天气了，可以回答用户了
Answer: 北京今天晴天，25°C，适合出行这个循环，就是 Agent 的本质。
但问题来了：每个开发者都在自己手写这个循环。
0.2 LangChain 的诞生：一个人的周末项目
2022 年 10 月，一个叫 Harrison Chase 的工程师，在旧金山的一个周末，写了一个小工具，把 LLM 调用、工具调用、提示词管理这些重复工作封装了起来。
他把它叫做 LangChain，推到了 GitHub 上。
没有任何宣传，没有任何融资，就是一个工程师解决自己痛点的周末项目。
然后，它爆了。
2022.10 → GitHub 上线，第一周 1000 stars
2022.12 → ChatGPT 发布，AI 开发者数量爆炸式增长
2023.01 → LangChain 成为 GitHub 增长最快的项目之一
2023.02 → 融资 1000 万美元（种子轮）
2023.04 → 融资 2500 万美元（A 轮）
2023.06 → 融资 2500 万美元（B 轮），估值 2 亿美元
2023.08 → GitHub stars 突破 50,000为什么爆？因为它解决了一个所有 AI 开发者都在面对的真实痛点：
没有 LangChain 之前，每个开发者都在重复写这些代码：
1. 消息格式管理
messages = [{"role": "system", "content": "..."}, ...]
→ 每个项目都要手写，格式不统一
2. 工具调用循环
while True:
response = llm.call(messages)
if response.has_tool_call:
result = execute_tool(response.tool_call)
messages.append(result)
else:
break
→ 每个项目都要手写，逻辑重复
3. 提示词管理
prompt = f"你是一个助手，用户问：{user_input}，上下文：{context}"
→ 字符串拼接，难以维护
4. 模型切换
# 从 OpenAI 换到 Anthropic，要改很多地方
→ 没有统一接口
LangChain 把这些全部封装了，给了开发者一套统一的抽象。这就是 LangChain 最初的愿景：做 AI 开发的"标准库"，让开发者专注业务逻辑，而不是重复造轮子。
0.3 LangChain 的第一个设计哲学：Chain（链）
Harrison Chase 给这个框架起名 "LangChain"，"Chain" 这个词不是随便选的。
他的核心设计思想是：AI 应用 = 一系列步骤的组合。
用户输入
→ 提示词模板（格式化输入）
→ LLM 调用（生成回复）
→ 输出解析器（提取结构化数据）
→ 返回结果
这就是一条"链"（Chain）。早期的 LangChain 充满了各种 Chain：
LLMChain：最基础的链，提示词 → LLM → 输出ConversationChain：带记忆的对话链RetrievalQAChain：RAG 链，检索 + 问答SequentialChain：顺序执行多个链RouterChain：根据输入路由到不同链
这个设计在 2023 年初非常成功，因为大多数 AI 应用确实是线性的：输入 → 处理 → 输出。
但随着开发者开始构建更复杂的 Agent，问题出现了。
0.4 第一个危机：Chain 的局限性
2023 年中，开发者们开始抱怨：
"我的 Agent 需要根据工具调用的结果，决定下一步做什么。但 Chain 是线性的，它不支持条件分支！"
"我的 Agent 需要循环执行，直到满足某个条件。但 Chain 不支持循环！"
"我有多个 Agent 需要协作，但 Chain 没法表达 Agent 之间的通信！"
LangChain 团队的应对方案是 AgentExecutor------一个专门为 Agent 设计的执行器，内置了 ReAct 循环。
但 AgentExecutor 很快也暴露了问题：
AgentExecutor 的问题：
1. 黑盒
→ 你不知道 Agent 在每一步做了什么
→ 调试极其困难
2. 不可控
→ 无法在 Agent 执行中途插入人工审核
→ 无法在某个步骤暂停、修改、继续
3. 状态管理混乱
→ 没有清晰的"状态"概念
→ 多个 Agent 之间共享数据很麻烦
4. 不支持复杂流程
→ 无法表达"如果 A 失败，走 B 路径，否则走 C 路径"
→ 无法表达"先并行执行 A 和 B，再汇总结果"这时候，LangChain 团队意识到：他们需要一个全新的抽象来解决这些问题。
0.5 LangGraph 的诞生：用图论解决 Agent 编排问题
2023 年 8 月，LangChain 团队发布了 LangGraph。
这个名字里的 "Graph"（图）不是随便起的。它来自计算机科学中的有向图概念：
传统 Chain 的思维模型：
A → B → C → D
（线性，只能前进）
LangGraph 的思维模型：
A → B → C
↓ ↑
D → E ──┘
（图，可以有分支、循环、并行）LangGraph 的核心洞察是 ：Agent 的执行流程，本质上是一个有状态的有向图。
- 每个节点（Node）是一个处理步骤
- 每条边（Edge）是步骤之间的跳转规则
- 整个图共享一个状态（State）
这个抽象解决了 AgentExecutor 的所有问题：
LangGraph 如何解决 AgentExecutor 的问题：
1. 黑盒 → 透明
每个节点都是显式定义的函数，你知道每一步在做什么
2. 不可控 → 精细控制
可以在任意节点插入 interrupt()，暂停等待人工审核
3. 状态管理混乱 → 清晰的 State
所有节点共享同一个 TypedDict 定义的 State，类型安全
4. 不支持复杂流程 → 任意图结构
条件边、并行节点、子图......任何流程都能表达但 LangGraph 为什么不直接替代 LangChain，而是作为独立包存在？
这是一个重要的架构决策：
LangChain 和 LangGraph 的分工：
LangChain（基础设施层）：
- 提供统一的模型接口（ChatOpenAI, ChatAnthropic...）
- 提供消息类型（HumanMessage, AIMessage...）
- 提供工具定义规范（@tool 装饰器）
- 提供提示词模板
→ 这些是"积木"
LangGraph（编排层）：
- 定义 Agent 的执行流程（图结构）
- 管理状态（State）
- 控制流程（条件边、循环）
- 持久化（Checkpointer）
→ 这是"搭积木的规则"
分开的好处：
- 你可以用 LangGraph 编排，但用 OpenAI SDK 直接调用模型
- 你可以用 LangChain 的工具，但用自己的编排逻辑
- 关注点分离，各自演进0.6 生态的演进：从工具到平台
LangChain 的发展不是线性的，它经历了几次重要的战略转型：
阶段一（2022.10 - 2023.06）：工具期
核心产品：LangChain 库
核心用户：AI 开发者
核心价值：减少重复代码
问题：生态太大太杂，抽象层太多，"过度工程化"的批评开始出现
阶段二（2023.06 - 2024.06）：平台期
核心产品：LangSmith（可观测性平台）
核心洞察：开发者不只需要框架，还需要"看到 Agent 在做什么"
LangSmith 解决了：
- Agent 执行的全链路追踪
- 提示词版本管理
- 评估和测试
这是 LangChain 从"开源工具"转向"商业平台"的关键一步
阶段三（2024.06 - 至今）：Agent 基础设施期
核心产品：LangGraph Platform（部署平台）
核心洞察：Agent 不只需要开发，还需要部署、运维、扩展
LangGraph Platform 解决了：
- 一键部署 Agent 为 API 服务
- 内置持久化（不需要自己搭数据库）
- 内置队列（处理并发请求）
- 内置监控
这是 LangChain 从"框架"转向"Agent 基础设施"的关键一步一个关键的行业观察：
LangChain 的演进路径，和 10 年前 Docker 的演进路径惊人地相似：
Docker 的演进：
Docker（容器工具）→ Docker Compose（编排工具）→ Kubernetes（生产级平台）
LangChain 的演进：
LangChain（AI 工具）→ LangGraph（编排工具）→ LangGraph Platform（生产级平台）这不是巧合。每一个新技术范式，都会经历"工具 → 编排 → 平台"的三阶段演进。
0.7 为什么其他框架会出现：生态的分化
LangChain 爆火之后，大量竞争者涌现。这不是偶然，而是因为 LangChain 的设计哲学本身存在争议：
批评 LangChain 的声音：
"LangChain 抽象层太多了，我只是想调用一个 LLM，为什么要引入这么多概念？"
→ 催生了：直接用 OpenAI SDK / Anthropic SDK
"LangChain 的 Chain 概念太复杂，我只想做多 Agent 协作，有没有更简单的？"
→ 催生了：CrewAI（角色驱动，更直觉化）
"LangChain 太通用了，我只做 RAG，有没有专精 RAG 的框架？"
→ 催生了：LlamaIndex（RAG 专精）
"LangChain 没有类型安全，我的生产系统需要严格的类型约束"
→ 催生了：PydanticAI（类型安全）
"我是微软/Google/OpenAI，我要做自己的 Agent 框架"
→ 催生了：AutoGen / Google ADK / OpenAI Agents SDK这就是为什么今天有这么多 Agent 框架：不是因为 LangChain 失败了，而是因为 AI Agent 这个领域足够大，不同的场景需要不同的工具。
0.8 设计哲学的碰撞：两种 Agent 开发观
理解了历史，你会发现今天的 Agent 框架，本质上代表了两种截然不同的设计哲学：
哲学一：声明式（Declarative）
代表：CrewAI、AutoGen
核心思想：你告诉框架"你想要什么"，框架决定"怎么做"
例（CrewAI）：
agent = Agent(role="研究员", goal="收集信息", backstory="...")
task = Task(description="研究AI趋势", agent=agent)
crew = Crew(agents=[agent], tasks=[task])
crew.kickoff()
优点：上手快，代码简洁
缺点：黑盒，难以精细控制
哲学二：命令式（Imperative）
代表：LangGraph
核心思想：你精确定义"每一步怎么做"，框架负责执行
例（LangGraph）：
def agent_node(state): ...
def tools_node(state): ...
graph.add_node("agent", agent_node)
graph.add_node("tools", tools_node)
graph.add_conditional_edges("agent", should_continue)
优点：完全可控，透明，适合生产
缺点：代码量大，需要理解图的概念
没有哪种哲学是绝对正确的。
→ 快速原型、内容创作 → 声明式（CrewAI）
→ 生产系统、复杂流程 → 命令式（LangGraph）0.9 现在的格局：2025-2026 年的 Agent 生态
当前 Agent 框架生态的几个关键趋势：
趋势一：标准化
MCP（Model Context Protocol）和 A2A（Agent-to-Agent）协议的出现，
让不同框架的 Agent 可以互相通信。
→ 框架之间的壁垒在降低
趋势二：平台化
LangGraph Platform、OpenAI Agents SDK 的 Sessions 功能......
框架都在往"托管平台"方向走，不只是库，而是服务。
→ 开发者不需要自己管理基础设施
趋势三：多模态
Agent 不只处理文字，还能处理图片、音频、视频、代码执行......
框架需要支持更复杂的工具类型。
趋势四：长时运行
Agent 不再是"一次性调用"，而是可以运行几小时、几天的长任务。
这对持久化、错误恢复、人机协作提出了更高要求。
→ LangGraph 的 Checkpointer 设计正是为此而生
趋势五：可观测性成为标配
生产级 Agent 必须知道"Agent 在做什么"。
LangSmith、Langfuse、Arize 等可观测性工具成为标配。小结：现在你知道了------LangChain 是一个工程师解决自己痛点的周末项目，LangGraph 是为了解决 Chain 无法表达复杂流程而生的，整个生态的演进是由真实的开发者痛点驱动的。带着这个理解，我们开始学技术。