LangChain 和 LangGraph 是由 LangChain 公司开发的开源框架，专门用于构建基于大语言模型（LLM）的应用程序。它们代表了从简单链式调用到复杂多智能体工作流的演进。

一、LangChain：LLM 应用的"连接器"

核心定位

LangChain 是一个模块化抽象框架，旨在简化 LLM 应用的开发过程。它通过将复杂的 AI 应用开发分解为可重用的组件，让开发者能够像搭积木一样组合各种功能模块。

核心组件

组件	功能说明
模型接口	标准化不同 LLM（OpenAI、Anthropic、本地模型等）的调用方式
提示模板	管理动态提示词（Prompt Engineering）
工具（Tools）	封装外部 API、数据库、搜索引擎等能力
记忆（Memory）	支持短期对话缓存和长期向量数据库检索
链（Chain）	将多个组件串联成固定工作流
代理（Agent）	具备自主决策能力的"思考-行动"循环（ReAct 模式）

演进历程

• 0.x 版本（2023）：以 Chain 为核心，强调预定义流程

• 0.1 版本（2024）：模块化拆分，引入 langchain-core 等子包

• 0.2/1.0 版本（2025）：彻底聚焦 Agent 能力，在 LangGraph 之上重构，仅保留 create_agent 核心函数，强调"LLM 循环运行 + 工具调用"的中立运行时

二、LangGraph：复杂工作流的"编排引擎"

核心定位

LangGraph 是 LangChain 团队于 2024 年 10 月推出的图结构编排框架，专门用于构建有状态、多智能体（Multi-Agent）的复杂应用。它被定位为"智能体运行时"，填补了 LangChain 在复杂流程控制上的不足。

核心概念

┌─────────────┐      ┌─────────────┐      ┌─────────────┐
│    节点      │ ───▶ │    节点      │ ───▶ │    节点      │
│  (Agent 1)   │      │  (Agent 2)   │      │  (工具调用)   │
└─────────────┘      └─────────────┘      └─────────────┘
       │                     │                     │
       └─────────────────────┴─────────────────────┘
                         │
                    共享状态 (State)

• 状态（State）：跨节点持久化的全局数据，支持断点续跑

• 节点（Nodes）：执行任务的基本单元（LLM 调用、工具执行、人工审核）

• 边（Edges）：定义节点间的流转逻辑，支持条件分支和循环

• 检查点（Checkpoint）：自动保存执行状态，支持错误恢复和"时间旅行"调试

关键特性

特性	说明
循环与分支	突破传统 DAG（有向无环图）限制，支持迭代优化和复杂业务逻辑
持久化	自动保存每一步状态，支持暂停/恢复执行，实现错误恢复和人机协作
人机交互（HIL）	可在任意节点中断执行，等待人工审批或反馈
多代理协作	支持构建"研究代理+写作代理+审核代理"等分工明确的 AI 团队
流式输出	支持逐 token 实时流式传输，监控代理思考过程

三、两者关系与架构对比

LangChain 生态架构
┌─────────────────────────────────────────┐
│           LangChain 1.0 (Agent)          │  ← 高层抽象：create_agent
├─────────────────────────────────────────┤
│           LangGraph (运行时)              │  ← 编排层：图结构、状态管理
├─────────────────────────────────────────┤
│           LangChain Core                 │  ← 基础层：模型接口、消息格式
├─────────────────────────────────────────┤
│  OpenAI / Anthropic / 本地模型 / 工具库   │
└─────────────────────────────────────────┘

核心区别

维度	LangChain	LangGraph
抽象层级	高层封装（链、代理模板）	底层编排（图节点、状态管理）
流程控制	线性链式（Chain）或简单代理循环	任意图结构（循环、分支、并行）
状态管理	简单内存或外部存储	原生状态图，自动持久化
透明度	封装较多，隐藏部分实现细节	无隐藏提示词，完全可控
适用阶段	快速原型开发	生产级复杂工作流
人机协作	有限支持	内置中断、审批、编辑能力

协作方式

LangChain 和 LangGraph 并非替代关系，而是互补：

1. LangGraph 复用 LangChain 的模型接口、工具定义和消息格式

2. LangChain 1.0 的 Agent 基于 LangGraph 运行时构建

3. 两者共享 LangSmith 调试和可观测性平台

四、典型应用场景

LangChain 适合的场景

• 快速搭建 RAG（检索增强生成）问答系统

• 简单的工具调用 Agent（联网搜索、计算器等）

• 多模态任务链（文本生成→图像生成→语音合成）

LangGraph 适合的场景

• 多智能体协作：研究 Agent 搜集资料 → 写作 Agent 生成报告 → 审核 Agent 校对

• 复杂审批流程：代码生成 → 人工审核 → 自动部署 → 测试反馈循环

• 对话式 AI：支持多轮决策、上下文记忆和人工介入的客服机器人

• 自动驾驶任务流：根据中间结果动态调整执行路径（如数据分析流水线）

总结

• LangChain 是"让 LLM 应用开发更简单"的模块化工具箱，适合快速搭建标准化应用

• LangGraph 是"让复杂 AI 流程可控"的编排引擎，是构建生产级多智能体系统的首选框架

当前社区趋势显示：从探索走向生产时，LangGraph 正成为复杂 Agent 开发的事实标准，而 LangChain 则作为其生态基础设施继续存在。