# 聊一聊大模型应用开发的两大核心框架：LangChain 与 LangGraph 聊到大模型应用开发，大多数人绕不开的第一个门槛，就是调API。上手确实简单，搭个基础问答、跑个文本生成，基本都能在几行代码里搞定。但说实话，真正想要落地，单纯调API那点“料”太单薄了，根本撑不起复杂业务。一旦涉及联网检索、工具调用、多步推理、循环纠错、多智能体协作这类高阶功能，原生API的短板就会被无限放大。如果完全靠手写代码去实现，逻辑混乱、重复劳动、后期维护令人头大，完全达不到生产环境的标准。 所以，大模型应用开发，几乎绕不开LangChain和LangGraph这两个框架。不管你是要做实际项目，还是想系统学习，这两者都是核心。今天我们就从实际应用出发，由浅入深地拆解一下这两套框架的核心逻辑、架构差异和落地场景——从最简单的线性链式开发，逐步过渡到进阶的图式编排，一起看看LangChain的能力边界在哪里，LangGraph的核心价值又是什么。 ## 两大框架的核心定位 ### LangChain的定位：基础与快速开发 LangChain可以说是目前大模型应用开发最主流的基础开源框架。它的核心定位非常明确——简化大模型应用的快速开发。本质上，它是一套标准化的组件库与开发规范，解决了原生API能力单一、重复开发的问题，让我们不用再重复造轮子。 具体来说，LangChain主要解决了以下几个痛点： 在没有LangChain之前，做提示词模板封装、对话记忆、工具调用、文档问答、链路串联，都得手动写大量冗余代码，适配不同模型和场景，效率极低。而LangChain把这些高频能力全部封装成标准化的、可复用的组件，按需调用、自由组合，就能快速搭建各类应用。 它的核心设计理念是**链式执行**，也就是线性流水线逻辑。任务按固定顺序依次执行，A步骤完成后，结果作为B步骤的输入，层层递进，形成完整链路。这种设计的优势很明显：上手简单、逻辑清晰、开发速度快，非常适合入门。 但短板也同样突出，这也是LangGraph诞生的根本原因。核心局限集中在两方面： * **流程固化**：线性链式结构没法支持复杂的业务逻辑，比如分支判断、循环重试、多路径并行、动态流程调整，都搞不定。 * **扩展性差**：一旦场景脱离简单的单轮问答、固定流程任务，传统链式架构就力不从心，代码的扩展性和可控性大幅下降，难以支撑生产级应用。 ### LangGraph的定位：进阶与复杂编排 LangGraph是LangChain的进阶编排框架与运行时，完美兼容LangChain的所有组件，是对LangChain能力的底层升级。 它的核心定位是**复杂、有状态、可循环的AI智能体编排**，专门解决LangChain线性流程搞不定的复杂任务场景，聚焦生产级智能体、多轮复杂任务、多智能体协作等高端场景。 LangGraph彻底摒弃了LangChain的固定线性链式执行逻辑，采用**有向状态图**的设计思想。简单来说，就是把AI任务的每一个执行单元定义为“节点”，把任务流转规则定义为“边”，通过节点和边的自由组合，实现任意复杂的任务流程。 相比LangChain，LangGraph最大的突破是引入了**全局状态管理**和**动态流程控制**。在LangGraph中，所有节点共享统一的全局状态，节点可以读取状态数据、处理逻辑、更新状态，同时支持根据状态结果动态判断下一步执行路径，轻松实现分支、循环、重试、并行、回滚等复杂逻辑。 两者并非替代关系，而是互补适配的技术组合，场景划分清晰： * **LangChain适配场景**：快速开发简单、固定流程的Demo与轻量化应用，主打快速落地、低门槛迭代。 * **LangGraph适配场景**：开发生产级、高可控、复杂逻辑的AI智能体、多轮任务系统、多智能体协作应用，主打复杂流程、自主决策、工程化落地。 简单来说，二者是基础与进阶、简单与复杂、快速迭代与工程落地的互补关系，可以搭配使用来搭建完整的大模型应用架构。 ## LangChain的核心架构 ### 五大核心基础组件 想要用好LangChain，首先要吃透它的核心组件。所有LangChain应用，都是基于以下五大基础组件组合搭建而成，每个组件各司其职、标准化解耦，极大降低了开发难度。 **1. 大模型组件（LLM/ChatModel）** 这是AI应用的核心算力支撑，具备极强的通用性与兼容性。它做了三件事：一是模型全覆盖，统一封装了市面上几乎所有主流大模型接口；二是极简切换，简单修改模型参数就能完成模型替换；三是场景细分，区分了普通文本生成LLM和对话模型ChatModel，分别适配单轮生成和多轮对话。 **2. 提示词组件（Prompt）** 专门用于标准化提示词管理。它解决了传统手动编写提示词冗余、不可复用、难以维护的问题。支持动态生成，可预设固定业务模板，通过传入变量快速生成定制化提示词。同时适配对话场景，能自动拼接对话历史、设定AI角色、限定任务执行规则。 **3. 记忆组件（Memory）** 大模型本身无状态，无法自主记忆对话历史。Memory组件专门解决上下文留存和连续对话问题。它提供多种模式：简单对话缓存、窗口记忆、摘要记忆、向量记忆等，可适配短时日常对话、长时连续对话、海量上下文长文本交互等不同场景。 **4. 工具组件（Tools）** 核心作用是拓展大模型的能力边界，打破模型固有知识与能力的局限。支持联网搜索、代码执行、文件读取、数据库查询、计算器运算等各类外部操作。LangChain内置了大量高频常用工具，也支持开发者将任意专属业务逻辑封装为自定义工具。 **5. 链路组件（Chain）** 这是LangChain的核心执行载体，承担组件串联、任务执行的核心作用。它可以把模型、提示词、记忆、工具等所有零散组件串联起来，形成完整闭环的任务执行链路。依托LCEL语法，可以极简编写链路逻辑，实现“提示词输入-模型推理-结果解析输出”的全自动化流程。 ### 标准化的执行流程 基于LangChain开发轻量化应用，有标准化的开发流程，整体分为四大步骤： 1. **环境初始化**：安装核心依赖库，配置大模型密钥、接口地址、超时参数等基础配置。 2. **组件定义**：根据业务需求，按需定义提示词模板、对话记忆模式、工具集合、模型参数等核心组件。 3. **链路组装**：通过Chain组件，将所有定义好的基础组件按照线性业务顺序串联，搭建完整的任务执行流程。 4. **执行与解析**：调用组装完成的链路，触发模型推理与任务执行，对输出结果进行解析、格式化处理。 ### 优缺点分析 LangChain线性开发模式的核心优势非常突出，适合新手入门和轻量化项目落地： * **低门槛、高效率**：所有核心组件均已封装，几行代码就能实现复杂功能，快速完成Demo搭建与原型验证。 * **标准化解耦设计**：各组件独立可替换，修改提示词、切换模型、新增工具，都不会影响整体链路逻辑。 * **生态成熟稳定**：文档详实，社区案例丰富，问题排查成本低。 但局限性也很明显，在生产级复杂项目中会被无限放大： * **流程死板**：固定线性执行，不支持分支判断，无法根据实时结果动态调整流程。 * **无统一全局状态**：多步骤任务中，上下文和中间数据依靠组件单独传递，数据零散混乱，容易出现上下文断层。 * **复杂能力缺失**：原生不支持循环重试、异常回滚、多任务并行等核心能力，仅适合简单轻量化开发。 ### 链式应用示例解析 以下示例演示了LangChain LCEL链式开发的核心模式：通过`|`操作符将提示词模板、大模型推理、输出解析器串联为固定处理链路。 ```python import os from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser # 接入腾讯混元大模型（TokenHub平台） api_key = os.environ.get('TENCENT_API_KEY') model_name = "hy3-preview" print("=" * 50) print("LangChain 链式开发 — 组件初始化") print("=" * 50) # 1. 初始化基础组件 print("\n[组件1] 初始化大模型...") llm = ChatOpenAI( model=model_name, api_key=api_key, base_url="https://tokenhub.tencentmaas.com/v1", ) print(f"✓ 模型: {model_name} | 端点: tokenhub.tencentmaas.com") print("\n[组件2] 构建提示词模板...") prompt = ChatPromptTemplate.from_messages([ ("system", "你是AI开发科普助手，回答简洁通俗，适合新手学习。"), ("human", "请简单讲解：{question}") ]) print(f"✓ 系统角色: AI开发科普助手") print(f"✓ 用户模板: 请简单讲解：{{question}}") print("\n[组件3] 初始化输出解析器...") parser = StrOutputParser() print(f"✓ 解析器: StrOutputParser (纯文本输出)") # 2. 链式组装（LCEL线性链路） print("\n" + "=" * 50) print("链式组装 (LCEL)") print("=" * 50) chain = prompt | llm | parser print("组装顺序: 提示词模板 → 大模型推理 → 结果解析") print("操作符: prompt | llm | parser") # 3. 执行固定流程任务 if __name__ == "__main__": user_question = "LangChain的链式架构特点是什么" print("\n" + "=" * 50) print("链式调用执行") print("=" * 50) print(f"\n[步骤1] 填充提示词模板") print(f"输入问题: {user_question}") prompt_value = prompt.invoke({"question": user_question}) print(f"实际发送给模型的提示词:") for msg in prompt_value.messages: print(f"[{msg.type}] {msg.content[:80]}...") print(f"\n[步骤2] 大模型推理中 (hy3-preview)...") llm_output = llm.invoke(prompt_value) print(f"模型原始输出: {llm_output.content[:80]}...") print(f"\n[步骤3] 解析器提取纯文本...") res = parser.invoke(llm_output) print(f"解析结果长度: {len(res)} 字") print(f"\n{'='*50}") print(f"最终输出") print(f"{'='*50}") print(f"\n{res}") ``` 输出结果会展示完整的链式调用过程。 ## LangGraph的核心架构 ### 四大核心基础概念 LangGraph完全兼容LangChain所有组件，仅在执行架构上做了升级。掌握LangGraph架构设计之前，必须了解四大核心基础概念。 **1. 状态（State）** State是LangGraph的核心灵魂，是整个任务流程的全局共享数据快照，彻底解决了LangChain数据零散的痛点。它将任务数据、对话历史、中间结果、异常信息等所有流程数据统一收纳管理。支持字典、TypedDict、Pydantic模型等多种定义格式，所有节点均可自由读取、修改、更新全局状态。 **2. 节点（Node）** 节点是LangGraph的最小执行单元，是所有业务逻辑的承载载体。本质上是可执行的Python函数或LangChain可运行组件，可独立完成单一任务逻辑。可以自定义为大模型推理节点、工具调用节点、结果审核节点、数据解析节点等各类业务单元。 **3. 边（Edge）** 边是节点之间的任务流转规则，决定整个流程的执行路径。分为两类：**普通边**是固定流转规则，执行完A节点后直接进入B节点，对应LangChain的线性逻辑；**条件边**是动态流转规则，根据当前全局状态的实时结果，通过自定义判断逻辑，动态筛选下一步执行节点，实现分支、分流、循环重试、异常回滚等复杂逻辑。 **4. 图（Graph）** 图是LangGraph最终的任务编排载体，是整合所有逻辑的核心容器。通过整合全部节点和流转边，构建出完整的有向状态图，承载整套业务流程。开发者可以自由实例化StateGraph、新增节点、配置流转规则、设置流程入口与出口。编译完成后可持续迭代执行，完美适配多步骤、长周期的智能体任务。 ### 核心优势 相比LangChain的线性架构，LangGraph的图式架构完美解决了传统链式开发的所有痛点，四大核心优势让它成为生产级智能体开发的标准。 **1. 灵活的动态流程编排** 彻底打破LangChain线性执行的固化限制，依托条件边可实现任意复杂的任务逻辑。支持工具调用失败自动重试、推理结果不达标回溯重生成、不同用户问题智能分流、多任务并行执行等能力，完全贴合真实、复杂、动态的业务场景。 **2. 统一全局状态管理** 全流程共享唯一全局状态，所有中间数据、上下文信息、执行日志集中存储、统一管控。既解决了传统开发数据零散、上下文混乱、数据丢失的问题，又支持状态快照保存、手动回滚、全流程追溯，极大降低了问题排查难度。 **3. 天然支持循环与迭代** AI智能体的核心逻辑就是“思考-行动-观察-再思考”的循环迭代，LangGraph原生内置循环执行能力，完美适配智能体自主决策、自主纠错的核心场景。例如智能体识别当前信息不足时，可自动调用工具补充数据，再重新推理校验，直至任务达标完成。 **4. 高可控的生产级特性** LangGraph专为企业生产环境设计，自带各类工程化高阶能力：任务断点续跑、异常捕获与自动重试、执行日志可视化、多智能体协同分工、流程权限管控等。同时官方版本稳定，完全适配长期迭代、高稳定性要求的商业级应用。 ### 图编排开发示例解析 以下示例演示了LangGraph图编排的核心模式：通过全局状态管理、独立推理与补充节点、条件边动态分流，实现有状态的Agent工作流。 ```python import os from typing import TypedDict from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate from langgraph.graph import StateGraph, START, END # 接入腾讯混元大模型（TokenHub平台） api_key = os.environ.get('TENCENT_API_KEY') model_name = "hy3-preview" # 1. 定义全局状态 class AgentState(TypedDict): query: str # 用户输入 answer: str # 模型回答 need_more: bool # 动态判断标记 print("=" * 50) print("LangGraph 图编排 — 组件初始化") print("=" * 50) # 2. 复用LangChain基础组件 print("\n[模型] 初始化大模型...") llm = ChatOpenAI( model=model_name, api_key=api_key, base_url="https://tokenhub.tencentmaas.com/v1", ) print(f"✓ {model_name} | tokenhub.tencentmaas.com") print("\n[状态] 定义全局状态 Schema...") print(f"✓ AgentState: query(str) + answer(str) + need_more(bool)") prompt = ChatPromptTemplate.from_messages([ ("system", "你是AI开发科普助手，回答简洁通俗。"), ("human", "{query}") ]) # 3. 定义独立节点 def inference_node(state: AgentState): """模型推理节点""" print(f"\n┌─ 【节点: inference】推理节点 ─┐") print(f"│输入: {state['query'][:50]}...") res = prompt | llm answer = res.invoke({"query": state["query"]}).content # 动态设置状态：回答过短则需要补充内容 need_more = len(answer) < 80 print(f"│输出: {answer[:60]}...") print(f"│回答长度: {len(answer)} 字 (阈值80字)") print(f"│状态更新: need_more = {need_more}") print(f"└─ 【inference 完成】──┘") return {"answer": answer, "need_more": need_more} def supplement_node(state: AgentState): """内容补充节点（分支逻辑）""" print(f"\n┌─ 【节点: supplement】补充节点 ─┐") print(f"│原回答过短({len(state['answer'])}字)，触发补充流程") supplement_prompt = ChatPromptTemplate.from_messages([ ("system", "请补充细化回答，讲得更详细易懂。"), ("human", "原问题：{query} 原回答：{answer}") ]) res = supplement_prompt | llm new_answer = res.invoke({"query": state["query"], "answer": state["answer"]}).content print(f"│补充后长度: {len(new_answer)} 字") print(f"└─ 【supplement 完成】──┘") return {"answer": new_answer} # 4. 定义分支流转规则 def judge_branch(state: AgentState): """动态分支判断：是否需要补充内容""" if state["need_more"]: print(f"\n→ 条件判断: need_more=True → 路由到 [supplement]") return "supplement" print(f"\n→ 条件判断: need_more=False → 路由到 [END]") return "end" # 5. 构建状态图工作流 print("\n" + "=" * 50) print("构建状态图工作流") print("=" * 50) graph = StateGraph(AgentState) # 添加节点 graph.add_node("inference", inference_node) graph.add_node("supplement", supplement_node) print("[节点] inference, supplement 已注册") # 固定边：起始=>推理 graph.add_edge(START, "inference") print("[边] START → inference") # 条件边：动态分流，实现分支逻辑 graph.add_conditional_edges( "inference", judge_branch, {"supplement": "supplement", "end": END} ) print("[条件边] inference → judge_branch → supplement / END") # 补充节点执行完成后结束 graph.add_edge("supplement", END) print("[边] supplement → END") # 编译运行 if __name__ == "__main__": print("\n" + "=" * 50) print("编译并执行图工作流") print("=" * 50) run_graph = graph.compile() print("✓ 图编译完成") print(f"\n输入问题: LangGraph和LangChain有什么区别") print(f"{'─' * 40}") result = run_graph.invoke({"query": "LangGraph和LangChain有什么区别"}) print(f"{'─' * 40}") print(f"\n{'='*50}") print(f"最终输出") print(f"{'='*50}") print(f"\n{result['answer']}") ``` 输出结果会展示完整的图编排执行过程。 ## 框架差异与选型 ### 架构深度对比 | 维度 | LangChain | LangGraph | |------|-----------|-----------| | 执行模式 | 静态线性链式，流程在开发阶段固定 | 动态图式，运行时根据状态动态决策 | | 状态管理 | 无统一状态，数据零散传递 | 全局统一状态，集中管控，支持追溯 | | 流程能力 | 仅支持简单线性流程，无分支、循环、并行 | 支持分支、循环、并行、回滚、重试 | | 开发维护 | 上手门槛低，但复杂场景下代码冗余 | 有学习成本，但长期维护成本更低 | ### 场景选型方案 **优先选用LangChain的场景：** * 轻量化演示Demo、快速原型验证 * 固定流程的简单应用（单轮文档问答、固定模板文本生成） * 低复杂度工具调用任务 * 入门学习、小型测试项目 **优先选用LangGraph的场景：** * 各类AI智能体开发（任务拆解、自主工具调用、迭代纠错） * 复杂业务流程（分支判断、动态分流、循环重试、异常回滚） * 长周期任务开发（长文本处理、多步骤数据分析） * 多智能体协作系统 * 企业级生产项目（对稳定性、可维护性有高标准要求） ## 应用架构设计 ### 分层架构设计 实际项目开发中，不会零散堆砌组件和节点，而是采用标准化分层架构。基于LangChain+LangGraph的组合架构，行业通用的标准化分层方案分为四层： **1. 基础能力层** 基于LangChain搭建底层通用能力底座，统一封装模型调用、提示词模板、对话记忆、工具集合、向量检索、文档解析等高频通用能力。所有基础组件统一管理、全局复用。 **2. 流程编排层** 基于LangGraph实现核心业务流程编排，是架构的核心调度层。自定义全局状态结构、按功能拆分独立业务节点、配置节点流转边与分支判断规则，实现逻辑彻底解耦。 **3. 业务逻辑层** 承接编排层的通用能力，聚焦专属业务场景的定制化逻辑开发，包括任务优先级判断、模型输出结果校验、全局异常捕获与处理、数据格式化清洗、业务权限校验等。 **4. 接口服务层** 架构最外层的落地载体，负责应用对外服务与工程化加固。将搭建完成的图式AI应用封装为标准化API接口，配套日志记录、参数校验、限流熔断、超时处理、异常告警等工程化能力。 ### 开发规范参考 **1. 节点单一职责原则** 每个LangGraph节点仅实现一个核心功能，杜绝单节点逻辑臃肿。拆分后的节点可独立调试、修改、替换，最大限度降低代码耦合度。 **2. 精细化状态设计** 结合业务场景自定义状态字段，精准区分输入参数、输出结果、中间过程数据、执行日志、异常信息等，避免状态冗余缺失。 **3. 完善异常重试机制** 针对工具调用失败、模型推理超时、参数异常、网络波动等高频问题，配置节点重试、流程回滚、友好异常提示机制。 **4. 可视化流程调试** 充分利用LangGraph自带的流程可视化能力，实时查看节点流转路径、全局状态变化、执行耗时，快速排查流程卡顿、逻辑错误等问题。 **5. 基础组件统一封装** 所有LangChain基础组件统一初始化配置、统一管理，避免多处重复定义代码，方便后续统一升级模型、替换工具、优化提示词。 ### LangChain+LangGraph组合应用示例 以下示例演示了LangChain+LangGraph的组合开发模式：LangChain负责提示词模板与模型推理的链式组装，LangGraph负责全局状态管理与图节点编排，两者协作实现有状态的智能问答工作流。 ```python import os from typing import TypedDict, Annotated from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate from langgraph.graph import StateGraph, START, END # 接入腾讯混元大模型（TokenHub平台） api_key = os.environ.get('TENCENT_API_KEY') model_name = "hy3-preview" # 1. 定义全局状态 class GraphState(TypedDict): user_query: str # 用户问题 answer: str # 模型输出结果 print("=" * 50) print("LangChain + LangGraph 组合开发 — 初始化") print("=" * 50) # 2. 初始化LangChain基础组件 print("\n[LangChain] 初始化基础组件...") llm = ChatOpenAI( model=model_name, api_key=api_key, base_url="https://tokenhub.tencentmaas.com/v1", ) print(f"✓ 大模型: {model_name}") prompt = ChatPromptTemplate.from_messages([ ("system", "你是专业的AI开发助手，回答简洁通俗、适合新手理解。"), ("human", "{user_query}") ]) print(f"✓ 提示词模板: system角色 + human输入") print("\n[LangGraph] 状态Schema...") print(f"✓ GraphState: user_query(str) + answer(str)") # 3. 定义图节点 def llm_infer_node(state: GraphState): """大模型推理节点（LangChain链式调用 + LangGraph状态管理）""" print(f"\n┌─ 【节点: llm_infer】推理执行 ─┐") print(f"│LangChain 提示词填充: {state['user_query'][:40]}...") # 组装提示词 + 模型推理 chain = prompt | llm res = chain.invoke({"user_query": state["user_query"]}) print(f"│模型返回: {res.content[:60]}...") print(f"│更新全局状态: answer字段写入") print(f"└─ 【llm_infer 完成】──┘") return {"answer": res.content} # 4. 构建LangGraph工作流 print("\n" + "=" * 50) print("构建图工作流") print("=" * 50) graph_builder = StateGraph(GraphState) # 添加执行节点 graph_builder.add_node("llm_infer", llm_infer_node) print("[节点] llm_infer 已注册") # 设置执行流程：起始 → 推理节点 → 结束 graph_builder.add_edge(START, "llm_infer") graph_builder.add_edge("llm_infer", END) print("[边] START → llm_infer → END") print("[架构] LangChain(链式推理) + LangGraph(状态图编排)") # 编译图并执行 print("\n" + "=" * 50) print("编译并执行") print("=" * 50) graph = graph_builder.compile() print("✓ 图编译完成\n") # 测试运行 if __name__ == "__main__": user_q = "简单说说LangChain和LangGraph的区别" print(f"[输入] {user_q}") print(f"{'─' * 40}") result = graph.invoke({"user_query": user_q}) print(f"{'─' * 40}") print(f"\n{'='*50}") print(f"最终输出") print(f"{'='*50}") print(f"\n{result['answer']}") ``` **重点说明：** * 复用LangChain能力：模型调用、提示词模板全部使用LangChain原生组件，体现两套框架的兼容性与组合性。 * 落地LangGraph核心架构：自定义全局状态、拆分独立节点、配置流程边，完整复刻图式编排核心逻辑。 输出结果会展示完整的组合开发执行过程。 ## 总结 总的来说，LangChain是大模型应用的基础组件框架，主打线性链式快速开发、轻量化Demo落地、新手入门；LangGraph是进阶图编排框架，主打动态流程、状态管理、复杂智能体开发、生产级落地。 二者并非对立替代关系，而是互补的完整技术组合体系，也是目前行业主流开发方案。底层基础能力依托LangChain实现，复杂业务流程编排依托LangGraph实现。随着了解的深入，我们会慢慢聚焦本质——跳出API堆砌，大模型应用开发的核心，不是堆砌框架API，而是理解任务编排、状态管理、逻辑解耦的工程化思想。