Task 1 · LangChain 与 LangGraph 框架认知

Easy-Langent × DataWhale 智能体开发教程
任务笔记 ｜ 前言 + 第一章

---

本任务学什么

层级	内容
前言	为什么学这个课、Lang 系列定位、三个底层核心
第一章	LangChain 与 LangGraph 各自是什么、环境搭建、Hello World
学完目标	能区分两个框架、能跑通基础案例、理解底层核心在后续的延伸

---

一、langent 是什么

langent = Lang（框架）+ agent（智能体）

打破"理论"与"实战"的壁垒，实现从懂概念到会开发的跨越。

学这门课，不是为了背概念，而是为了能真正动手写出 Agent 应用。

---

二、Lang 系列 vs 低代码平台

	LangChain + LangGraph	Dify / Coze
定位	生产级、定制化开发	原型验证、轻量应用
核心能力	状态机 + 复杂流程编排	拖拽模板
适用边界	多智能体协作、私有化部署	简单对话机器人

简单场景用低代码快速验证，复杂生产场景用 Lang 系列。

---

三、LangChain vs LangGraph 核心对比 ⭐

两者的关系：不是竞争，而是互补。一个帮你快速搭基础，一个帮你管控复杂流程。

	LangChain	LangGraph
一句话定位	大模型应用的"基础设施工具箱"	复杂应用的"架构设计框架"
类比	乐高积木	建筑设计图
擅长	快速搭简单~中等复杂度应用	多步骤流程、状态协作、人机交互
核心能力	组件拼接	State + Node + Edge
代表场景	文本生成、简单 RAG、单步工具调用	论文多步总结、多 Agent 协作、用户确认流程
难度	低，上手快	中，结构清晰但概念多

一句话记住：

• 简单任务 → LangChain（快）
• 复杂流程 → LangGraph（稳）
• 实际开发 → 融合用

---

四、LangChain 1.0 三层架构

langchain_core   ──→  地基：核心抽象（Runnable、BaseParser）
       ↓
   langchain      ──→  房间：高级组件（Chains、Memory）
       ↓
langchain_openai ──→  门窗：第三方模型适配

分层目的（关注点分离）：

• 核心团队专注 langchain_core，不疲于维护第三方 API 变更
• 社区可自由开发自己的集成包（langchain-google-genai、langchain-community）
• 开发者按需安装，不用装一个巨大单体包

---

五、LangGraph 五大核心概念 ⭐

概念	作用	一句话
State	贯穿工作流的数据容器，保存中间结果	"流水线上的传送带"
Node	每个节点 = 一个函数 = 一个具体任务	"工厂里的各道工序"
Edge	定义节点之间的执行顺序	"工序之间的流向图"
compile	把图定义编译成可执行实例	"图纸变成工厂"
invoke	传入初始状态，按顺序执行节点	"启动工厂生产"

State 是关键：LangChain 没有显式状态管理，LangGraph 的 State 让多步骤任务的中间结果自动传递——这是两者最核心的区别。

---

六、三个底层核心（贯穿全课程）⭐

💡 后续所有章节都在围绕这三个核心展开，这里先建立感知，后续会反复用到。

核心	含义	本章关联
状态机设计	流程怎么走、何时循环、何时停止	LangGraph 的 State + Edge = 状态机实现载体
工具调用逻辑	智能体与外界交互的桥梁	LangChain 的工具生态（后续章节深入）
多智能体协作	多个智能体如何分工、协调	LangGraph 多 Node 分工（后续章节深入）

---

七、环境搭建要点

Python：≥ 3.10（推荐 3.10）
LangChain & LangGraph：必须 ≥ 1.0.0  ⚠️
虚拟环境：venv / Conda / uv（推荐 uv，快 10-100 倍）

安装命令：

# pip / conda
pip install langchain langgraph langchain-openai python-dotenv ipykernel

# uv（推荐）
uv add langchain langchain-openai langgraph langchain-community ipykernel

三个必须记住的坑：

1. 版本 < 1.0.0 的旧教程直接跳过，API 已不兼容
2. API 密钥绝不写进代码，必须用 .env + load_dotenv()
3. 依赖装不上 → 加国内源：pip install xxx -i https://pypi.tuna.tsinghua.edu.cn/simple

---

八、代码核心模板

LangChain 最简模板（3步走）

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="deepseek-chat",   # 切换模型只需改这里
    temperature=0.3
)
response = llm.invoke("你的提示词")
print(response.content)

LangGraph 最简模板（5步走）

# 1. 定义 State（数据容器）
class WorkflowState(TypedDict, total=False):
    中间结果: str

# 2. 定义 Node（任务函数）
def my_node(state: WorkflowState):
    result = llm.invoke("处理逻辑")
    return {"中间结果": result.content}

# 3. 构建图
workflow = StateGraph(WorkflowState)
workflow.add_node("任务名", my_node)
workflow.add_edge(START, "任务名")
workflow.add_edge("任务名", END)

# 4. 编译
app = workflow.compile()

# 5. 执行
result = app.invoke({"初始数据": 值})

---

九、自检清单

学完 Task 1，用这个清单判断是否真正掌握：

前言部分

• 能说出 langent 是什么、课程目标是什么
• 能区分 LangChain 和 LangGraph 的分工
• 能说清楚三个底层核心是什么
• 能判断一个场景用低代码还是 Lang 系列

第一章部分

• 能画出 LangChain 三层架构（core / langchain / openai）
• 能默写 LangGraph 五大核心概念（State / Node / Edge / compile/invoke）
• 能说清楚两者关系：从属 + 互补，实际开发融合用
• 能区分：简单任务 → LangChain，复杂流程 → LangGraph
• 环境能跑通：虚拟环境 + 依赖安装 + .env 配置 + 两个案例运行
• 知道版本坑：LangChain/LangGraph ≥ 1.0.0，旧教程直接跳过

---

十、你可能没想到的几个点

1. 为什么 LangGraph 不是独立框架？
因为它依赖 LangChain 的组件（模型调用、工具），是站在 LangChain 肩膀上的进阶层，不是在造新轮子。

2. State 为什么用 TypedDict？
LangGraph 的状态必须是 dict 类型，TypedDict 让类型提示更清晰，方便调试和维护，减少隐式 bug。

3. 为什么 model 写死了 deepseek-chat？
课程统一用 DeepSeek 做演示。切换模型只需改一个参数——这就是 LangChain 封装的价值：统一接口，切换底座模型零感知。

4. 前言和第一章的关系？
前言解决"为什么要学"，第一章解决"学什么 + 怎么入门"。学完本章才算真正把脚迈进 Agent 开发的大门。

---

笔记整理：Easy-Langent × DataWhale · 第一周任务