langChain与langGraph的关系与区别

  概念介绍

         LangChain是一个专门为开发AI应用而设计的开源框架。它是模块化链条编排的先驱，简化了LLM和传统工具再AI应用中的集成。但在Agent概念成为了AI应用开发的核心方向后，LangChain无法支持其开发。

        LangGraph作为其进化的产物。它引入了图计算与状态管理的概念，用于完成Agent架构中复杂的流程构建与流转。再实际的应用中，其能将复杂的任务拆解成多个节点，每个节点代表着一个操作或者一个智能体，通过边定义节点间的依赖关系实现数据流向。这种方式可以是Agent架构的设计与调试更加高效，尤其是多智能体协作和长流程任务处理等场景中。

核心架构介绍

LangChain :标准化的AI应用开发框架，提供模块化组件和接口层

代码示例：

from langchain.chains import create_retrieval_chain
from langchain_community.document_loaders import WebBaseLoader
from langchain_openai import ChatOpenAI

# 1. 加载文档
loader = WebBaseLoader("https://xxxx/news")
docs = loader.load()

# 2. 构建链式工作流
chain = (
    create_retrieval_chain(retriever)  # 检索模块
    | ChatOpenAI(model="gpt-4o")        # LLM生成摘要
    | lambda x: x["answer"][:200]       # 结果截断
)

# 3. 执行链
result = chain.invoke({"input": "总结核心内容"})
print(result)  # 输出：'文章讨论AI伦理...'

LangGraph：基于图结构的Agent流程建模与执行引擎。

1. 节点：是LangGraph的基本元素，Agent/Tool/END等执行单元。
2. 边：带条件的状态流转路径（可以通过模型回答选择通过if-else选择下所走边，并且支持循环、并行）。
3. 状态：贯穿流程的上下文容

不可替代的三类场景

• 多Agent协作

builder.add_node("sales_agent", sales_processor)
builder.add_node("support_agent", support_processor)
builder.add_conditional_edges("router", route_by_intent)  # 动态路由

• 带状态的长时任务

# 持久化检查点（支持服务重启续传）
memory = SqliteSaver.from_conn_string(":memory:")
graph = builder.compile(checkpointer=memory)

• 人工介入流程

# 敏感操作前暂停等待审批
graph.compile(interrupt_before=["refund_payment"])

框架定位本质差异

LangChain 0.2+已深度集成LangGraph，可通过@chain装饰器直接将LangChain链转为LangGraph节点，实现无缝协作。