Chen Yulin's Blog

What is LangChain
What is LangGraph

---

LangChain 与 LangGraph：引领大型语言模型应用的双雄

在人工智能应用的浪潮中，大型语言模型（LLM）无疑是当前最耀眼的明星。然而，要将其强大的能力转化为实际、可靠且功能丰富的应用程序，开发者需要一套强而有力的框架。LangChain 和 LangGraph 正是为此而生的两大核心工具，它们极大地简化了 LLM 应用的开发流程，并为构建复杂的智能代理（Agent）提供了无限可能。

LangChain：串联智慧的应用框架

核心概念：

LangChain 是一个开源的应用程序开发框架，其核心理念在于“链（Chain）”的概念。它旨在将大型语言模型与外部资源（如数据库、API、文件等）以及其他计算逻辑无缝地“链接”起来。通过模块化的组件，开发者可以轻松地构建、组合和扩展 LLM 应用，从而实现超越简单文本生成的功能。

LangChain 的主要构成部分包括：

• 模型（Models）： 整合了各类大型语言模型和嵌入模型的标准接口，开发者可以轻松切换和使用不同的模型。

• 提示（Prompts）： 提供强大的提示模板管理功能，让开发者能够动态地生成和优化给予模型的指令。

• 索引（Indexes）： 用于结构化和检索外部数据，是实现如“检索增强生成（Retrieval-Augmented Generation, RAG）”等应用的关键，让模型能够基于特定知识库回答问题。

• 链（Chains）： 这是 LangChain 的核心，用于将多个组件（包括其他链）按顺序组合起来，形成一个完整的应用逻辑。

• 代理（Agents）： 赋予 LLM 推理和行动的能力。代理程序可以使用一系列工具（Tools），并根据用户输入自主决定调用哪个工具来完成任务。

• 记忆（Memory）： 让应用程序能够记住先前的对话内容，从而进行有上下文的、连贯的交流。

应用样例：

LangChain 的应用极为广泛，几乎涵盖了所有需要利用 LLM 进行自然语言处理的场景：

• 智能问答机器人： 结合企业内部文件或特定领域的知识库，打造能够精准回答专业问题的问答系统。例如，一个能够读取公司所有技术文档，并回答工程师技术问题的聊天机器人。

• 文件分析与摘要： 快速读取长篇报告、法律文件或学术论文，并生成简洁的摘要或提取关键信息。

• 数据分析与洞察： 通过自然语言查询，与结构化（如 SQL 数据库）或非结构化数据进行互动，生成分析报告和可视化图表。

• 自动化代码生成与解释： 根据需求描述自动生成代码片段，或对现有代码进行解释和除错。

• 个性化内容推荐： 根据用户的历史行为和偏好，生成个性化的新闻摘要、产品推荐或旅行计划。

LangGraph：驾驭复杂性的图形化流程引擎

核心概念：

随着应用需求的日益复杂，单纯的线性“链”式结构有时会显得力不从心。特别是在需要处理循环、条件分支和多个智能代理协同工作的场景下，LangGraph 应运而生。

LangGraph 是 LangChain 生态系中的一个扩展，它将 LLM 应用的流程从线性的“链”提升到了更灵活、更强大的“图（Graph）”的层次。在 LangGraph 中，应用的执行流程被定义为一个有向图，其中：

• 节点（Nodes）： 代表工作流程中的一个步骤，可以是一个 LLM 的调用、一个工具的执行或一段自定义的 Python 代码。

• 边（Edges）： 连接不同的节点，定义了信息在图中的流动方向。特别是“条件边（Conditional Edges）”，可以根据节点的输出结果，动态地决定下一步要跳转到哪个节点。

• 状态（State）： 这是 LangGraph 的一个核心概念，它是一个在整个图形执行过程中持续存在的对象，用于存储和传递信息。每个节点都可以读取和更新这个共享的状态，从而实现了比线性链更复杂的记忆和上下文管理。

与 LangChain 的主要区别：

特性	LangChain	LangGraph
核心结构	线性、顺序执行的“链”	灵活、可循环的“图”
适用场景	简单到中等复杂度的顺序性任务	需要条件逻辑、循环和状态管理的复杂任务
流程控制	预先定义好的固定流程	动态、可根据执行结果改变的流程
复杂性	学习曲线相对平缓，易于上手	提供了更高的自由度和控制力，学习曲线稍陡
错误处理	需要在链的逻辑中自行定义重试机制	可以将错误处理设计为图中的一个独立节点
代表应用	问答系统、文件摘要、简单的工具调用	多代理协作、可自主修正的智能代理、人机协作流程

应用样例：

LangGraph 特别擅长于构建需要更强控制力和灵活性的高级应用：

• 多代理协同工作（Multi-agent Collaboration）： 构建一个研究团队，其中一个代理负责上网搜索资料，另一个代理负责分析和整合资料，最后一个代理负责撰写报告。LangGraph 可以清晰地定义它们之间的协作流程、信息传递和审核机制。

• 具有自我修正能力的代理： 当一个代理执行的工具出错或结果不理想时，可以通过条件边将流程导向一个“反思与修正”的节点，让代理重新评估策略并尝试新的方法，形成一个不断试错和优化的循环。

• 人机协作（Human-in-the-loop）： 在关键决策点，可以设计一个节点来暂停流程，并请求人类用户的输入或批准。例如，在一个自动下单的代理中，最终下单前需要由人类确认订单细节。

• 互动式故事生成： 根据用户的选择，故事的情节可以走向完全不同的分支，甚至可以回到之前的某个情节点，产生高度互动和非线性的叙事体验。

关键对比：何时用 LangChain，何时用 LangGraph？

特性	LangChain (Chains)	LangGraph
结构	**线性 (Linear)**：一步接一步，像流水线。	**图形化 (Graphical)**：支持分支、合并和循环，像流程图。
控制流	预定义：流程在开始前就已固定。	动态：流程可以根据节点的输出实时改变。
核心场景	工具链/RAG：快速构建顺序性任务，如文档问答、API 调用。	**智能代理 (Agents)**：构建需要决策、重试、多代理协作的复杂系统。
状态管理	简单：通常只在链的内部传递，难以实现全局、持久的状态。	核心特性：拥有一个明确的、贯穿始终的 State 对象，方便管理复杂上下文。
举例	“读取 PDF -> 总结内容 -> 发送邮件”	“搜索信息 -> LLM 判断信息是否足够 -> 如果不足，重新搜索 -> 如果足够，撰写报告”

目前的发展与未来趋势

LangChain 和 LangGraph 正处于高速发展和迭代的阶段，整个生态系也日益成熟和完善。

LangChain 的发展：

• 架构模块化： LangChain 逐渐将其核心功能拆分为 langchain-core 和 langchain-community 等多个包。langchain-core 提供了稳定和核心的抽象接口，而 langchain-community 则包含了大量的第三方集成，这样的架构使得核心框架更加稳定，同时也方便社区贡献和维护。

• LangChain 表达式语言（LCEL）： 这是 LangChain 近期最重要的更新之一。LCEL 提供了一种声明式的方式来组合链，使得代码更为简洁、直观，并且原生支持批量处理、并行执行、流式输出等高级功能。

• LangSmith 的成熟： LangSmith 是一个用于监控、调试和评估 LLM 应用的平台。它提供了对应用执行过程的“X光”般的洞察力，让开发者可以清晰地看到每一步的输入、输出、延迟和令牌消耗，极大地提升了开发和维护效率。

• LangServe 的推出： 为了方便将开发好的链或代理部署为生产级的 API，LangChain 推出了 LangServe，让开发者可以一键将应用发布为 REST API。

LangGraph 的崛起与未来：

LangGraph 被视为构建下一代复杂智能代理的关键框架。其发展重点在于：

• 成为代理架构的首选： 官方明确表示，LangGraph 将是未来构建代理架构（Agentic Architectures）的重点发展方向。

• 增强可控性和可靠性： LangGraph 的图形化结构和状态管理机制，为设计能够处理复杂任务且行为可预测的代理提供了坚实的基础。

• 人机协作的无缝整合： 其内置的状态持久化和流程控制能力，使得在代理的执行过程中无缝地加入人类的审核和指导成为可能。

• 可视化与开发工具： 配合 LangGraph Studio 等可视化开发工具的推出，开发者可以更直观地设计、调试和迭代复杂的代理流程。

LangChain RAG 代码示例

在实践中，使用 LangChain 来构建一个基于公司内部文档的问答机器人。整个流程非常清晰：

# 伪代码和步骤解释 (面试时口述)

# 0. 安装依赖
# pip install langchain langchain-openai langchain-community faiss-cpu

# 1. 加载数据 (Load)
# 我会用 DocumentLoaders (比如 TextLoader 或 PyPDFLoader) 来加载内部文档。
from langchain_community.document_loaders import TextLoader
loader = TextLoader("internal_faq.txt")
documents = loader.load()

# 2. 分割文本 (Split)
# 为了便于检索，需要将长文档切分成小块。
from langchain.text_splitter import RecursiveCharacterTextSplitter
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=0)
docs = text_splitter.split_documents(documents)

# 3. 向量化与存储 (Store)
# 我会使用 OpenAIEmbeddings 将文本块转换为向量，并存入 FAISS 这样的向量数据库中，以便快速搜索。
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_documents(docs, embeddings)
retriever = vectorstore.as_retriever()

# 4. 创建检索链 (Chain)
# 这是核心步骤。我使用 LangChain 表达式语言 (LCEL) 来构建一个链：
# 它接收问题，使用 retriever 找到相关文档，然后将问题和文档一起传给 LLM 生成答案。
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI

template = """Answer the question based only on the following context:
{context}

Question: {question}
"""
prompt = ChatPromptTemplate.from_template(template)
model = ChatOpenAI()

retrieval_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | model
    | StrOutputParser()
)

# 5. 调用链
# print(retrieval_chain.invoke("How to apply for a vacation?"))

“通过这套流程，我能快速搭建一个功能强大的 RAG 系统，整个逻辑是线性和确定的。”

LangGraph 代理代码示例

构建一个更智能的研究代理，它能上网搜索，如果结果不满意，还能决定再次搜索。

# 伪代码和步骤解释 (面试时口述)

# 0. 安装依赖
# pip install langgraph langchain-openai tavily-python

# 1. 定义状态 (State)
# 首先，我定义一个图的共享状态，比如包含问题、搜索结果和最终答案。
from typing import TypedDict, List
class AgentState(TypedDict):
    question: str
    search_results: List[str]
    final_answer: str

# 2. 定义节点 (Nodes)
# 每个节点都是一个 Python 函数，接收 state，返回一个更新后的 state 的部分。
def search_tool(state):
    # 调用搜索工具 (如 Tavily)
    # ...
    return {"search_results": ...}

def llm_evaluator(state):
    # 调用 LLM 判断搜索结果是否足够回答问题
    # 如果足够，生成答案
    # 如果不够，返回一个需要重新搜索的信号
    # ...
    return {"final_answer": ...} # 或者返回一个需要再次搜索的标志

# 3. 定义条件边 (Edges)
# 这是 LangGraph 的精髓。我定义一个函数来决定流程走向。
def should_i_search_again(state):
    # 检查 llm_evaluator 的输出
    if "需要重新搜索" in state:
        return "search_tool" # 如果需要，就跳回搜索节点
    else:
        return "__end__" # 否则结束

# 4. 构建图 (Build Graph)
from langgraph.graph import StateGraph, END
graph_builder = StateGraph(AgentState)

# 添加节点
graph_builder.add_node("search_tool", search_tool)
graph_builder.add_node("evaluator", llm_evaluator)

# 设置入口
graph_builder.set_entry_point("search_tool")

# 添加边
graph_builder.add_edge("search_tool", "evaluator")
# 添加条件边
graph_builder.add_conditional_edges(
    "evaluator",
    should_i_search_again,
    {
        "search_tool": "search_tool",
        "__end__": END
    }
)

# 5. 编译和运行
# app = graph_builder.compile()
# app.invoke({"question": "What is the future of AI?"})