LangChain vs LangGraph 深度对比（上）：从框架定位到 Agent 构建的设计篇

文章目录

1. 引言

随着大语言模型（LLM）能力的快速提升，AI 应用开发正在从简单的 Prompt 调用逐步演进为复杂的 Agent 系统构建。

早期的 LLM 应用主要围绕 Prompt Engineering 展开，开发者关注的核心问题是：

  • 如何设计高质量 Prompt
  • 如何管理上下文信息
  • 如何接入不同模型
  • 如何提升回答质量

然而，随着 Tool Calling、RAG、Planning、Reflection 等能力的出现，LLM 应用开始向 Agent 系统演进。

此时开发者面临的问题已经发生变化：

  • 如何组织复杂任务流程？
  • 如何管理长期运行状态？
  • 如何支持多步骤决策？
  • 如何实现 Agent 协同？
  • 如何保证任务可恢复与可观测？

在这样的背景下，LangChain 与 LangGraph 逐渐成为当前 Agent 开发生态中的两大核心框架。

1.1 LangChain 与 LangGraph 的关系

很多开发者刚接触 LangGraph 时，都会产生一个误解：

LangGraph 是不是为了替代 LangChain？

事实上并非如此。

从架构定位来看，两者并不是竞争关系，而是协作关系。

LangChain
    ├── Models
    ├── Prompts
    ├── Tools
    ├── Retrievers
    └── Memory

            ↓

      LangGraph
    ├── State
    ├── Node
    ├── Edge
    ├── Workflow
    └── Runtime

            ↓

      Agent Application

LangChain 负责什么？

LangChain 更关注 LLM 应用开发。

它提供了大量基础组件：

  • Prompt Template
  • Chat Model
  • Tool
  • Retriever
  • Memory
  • Output Parser

开发者可以快速构建：

  • ChatBot
  • RAG 系统
  • Tool Calling 应用
  • 基础 Agent

本质上，LangChain 更像是一个：

LLM Application Framework

LangGraph 负责什么？

LangGraph 更关注：

Agent Workflow Orchestration

即：

  • Agent 如何执行
  • Agent 如何决策
  • Agent 如何维护状态
  • Agent 如何协同工作

它提供：

  • Graph 执行模型
  • 状态管理机制
  • 条件路由
  • 循环执行
  • Checkpoint
  • Human-in-the-Loop

本质上更像：

Agent Workflow Engine

两者的关系

可以简单理解为：

层级 作用
LangChain 提供能力组件
LangGraph 组织能力组件
Agent Application 最终业务系统

因此：

LangChain 解决的是「Agent 能做什么」，而 LangGraph 解决的是「Agent 应该如何完成任务」。

1.2 为什么需要 LangGraph？

要理解 LangGraph 的价值，首先需要理解传统 Chain 模型的局限性。

Chain 模型的工作方式

在 LangChain 中，一个典型执行流程如下：

Prompt
   ↓
LLM
   ↓
Tool
   ↓
Output

或者：

Question
   ↓
Retriever
   ↓
LLM
   ↓
Answer

整个过程是：

A → B → C → D

即：

线性执行（Linear Execution）

这种模式简单直接，非常适合：

  • ChatBot
  • RAG
  • Tool Calling

等场景。

当 Agent 开始自主决策

问题开始出现。

例如一个 Research Agent：

用户问题
     ↓
任务规划
     ↓
搜索资料
     ↓
评估结果
     ↓
信息是否充分？

如果结果不足：

        ┌────────────┐
        │ Information │
        │ Not Enough  │
        └──────┬─────┘
               ↓
          再次搜索
               ↓
          再次评估
               ↓
          生成报告

此时执行路径变成：

A → B → C
     ↑   ↓
     └───┘

出现了：

  • 循环
  • 分支
  • 动态决策

而这些并不是传统 Chain 模型擅长处理的问题。

企业级 Agent 的新需求

随着 Agent 开始进入企业生产环境，新的挑战进一步出现：

长时间运行任务

例如：

市场调研
 ↓
数据收集
 ↓
报告生成
 ↓
专家审核
 ↓
最终输出

可能运行数小时甚至数天。

人工审批节点

例如：

Agent
   ↓
生成方案
   ↓
人工审批
   ↓
继续执行

任务恢复能力

例如：

执行到第 8 步
      ↓
系统崩溃
      ↓
恢复执行
      ↓
从第 8 步继续

而不是重新开始。

多 Agent 协作

例如：

Supervisor
     ↓
 ┌───┼───┐
 ↓   ↓   ↓
研发Agent
产品Agent
测试Agent

多个 Agent 共同完成复杂任务。

LangGraph 的出现

为了应对这些问题，LangGraph 引入了新的执行模型：

State
   ↓
Node
   ↓
Node
   ↓
Conditional Edge
   ↓
Node

与传统 Chain 相比：

能力 Chain Graph
顺序执行 ✅ ✅
条件分支 ⚠️ ✅
循环执行 ❌ ✅
状态管理 ⚠️ ✅
多 Agent ⚠️ ✅
任务恢复 ❌ ✅

从工程角度来看：

LangGraph 的出现，本质上是为了让 Agent 从"一次性调用程序"升级为"长期运行的状态化系统"。

1.3 本文对比维度说明

为了全面理解 LangChain 与 LangGraph 的区别，本文将从以下几个核心维度展开分析。

① 框架定位

分析：

  • 两者解决什么问题
  • 位于技术栈哪个层级
  • 分别适合什么场景

重点回答：

为什么 LangGraph 不是 LangChain 的替代品？

② 架构设计思想

分析：

  • Chain First
  • Graph First

重点回答：

为什么复杂 Agent 更适合图结构？

③ 执行模型

分析：

  • 顺序执行
  • 条件路由
  • 循环执行
  • 动态决策

重点回答：

Agent 如何自主决定下一步行为？

④ 状态管理机制

分析：

  • Memory
  • State
  • Checkpoint

重点回答：

Agent 如何维护长期任务状态？

⑤ Agent 构建能力

分析：

  • ReAct
  • Planning
  • Reflection
  • Multi-Agent

重点回答：

两者在 Agent 能力构建上的差异是什么？

⑥ 工作流编排能力

分析：

  • DAG
  • Workflow
  • Human-in-the-Loop

重点回答：

企业级 Agent 为什么需要 Workflow Engine？

⑦ 容错与恢复机制

分析：

  • Checkpoint
  • Resume
  • State Persistence

重点回答：

长任务失败后如何恢复执行？

⑧ 可观测性与扩展性

分析：

  • Trace
  • State Tracking
  • Debugging

重点回答：

如何理解 Agent 的行为过程？

1.4 本章小结

随着 Agent Engineering 的兴起，LLM 应用开发正在经历从 Chain 架构 向 Graph 架构 的演进。

如果说 LangChain 解决的是：

如何快速构建 LLM 应用

那么 LangGraph 解决的则是：

如何构建复杂、可控、可恢复、可扩展的 Agent 系统

理解两者的差异，不仅是理解两个框架的区别，更是在理解下一代 Agent 系统的设计方向。

2. 框架定位对比

在正式分析 LangChain 与 LangGraph 的技术差异之前，首先需要明确两者在 Agent 技术栈中的定位。

很多开发者在学习 LangGraph 时，会下意识地将其视为 LangChain 的升级版，甚至认为两者是互斥关系。然而从架构设计角度来看，这种理解并不准确。

实际上，两者解决的是不同层级的问题：

  • LangChain 关注能力组件的构建与集成；
  • LangGraph 关注 Agent 的执行与编排。

理解这一点，是后续分析执行模型、状态管理以及工作流能力差异的基础。

2.1 LangChain 的设计目标

LangChain 诞生于 LLM 应用开发快速发展的阶段。

在大模型应用刚刚兴起时，开发者普遍面临以下问题：

  • 不同模型接口不统一
  • Prompt 管理方式混乱
  • 工具调用缺乏标准化
  • RAG 系统需要大量重复开发
  • Agent 构建成本较高

因此 LangChain 的核心目标非常明确：

为开发者提供统一的 LLM 应用开发框架。

其设计理念可以概括为：

Build LLM Applications Faster

即：

帮助开发者快速构建基于大语言模型的应用。

LangChain 的核心职责

从能力角度看，LangChain主要负责以下几个方面：

Model 抽象

统一接入不同模型供应商：

ChatOpenAI()
ChatAnthropic()
ChatGoogleGenerativeAI()

开发者无需关心底层接口差异。

Prompt 管理

通过模板化方式组织 Prompt：

prompt = ChatPromptTemplate.from_template(...)

解决 Prompt 复用与维护问题。

Tool 集成

统一工具调用接口：

@tool
def search():
    pass

使 Agent 可以访问外部能力。

例如：

  • 搜索引擎
  • 数据库
  • API
  • 文件系统

Retriever 与 RAG

支持：

文档加载
    ↓
向量化
    ↓
向量检索
    ↓
上下文增强

帮助开发者快速搭建知识库问答系统。

Agent 构建

支持：

  • ReAct Agent
  • Tool Calling Agent
  • Structured Output Agent

快速实现智能体原型。

LangChain 的本质

从架构角度看：

Prompt
Tool
Model
Retriever
Parser
Memory

这些都是：

Agent 的能力组件（Capabilities）

因此 LangChain 更像是：

Agent Components Library

或者：

LLM Application Framework

其核心价值在于：

提供丰富的标准化组件，降低 LLM 应用开发门槛。

2.2 LangGraph 的设计目标

随着 Agent 系统复杂度不断提升，开发者逐渐发现：

即使拥有大量能力组件，也并不意味着能够构建复杂 Agent。

因为新的问题开始出现：

  • Agent 如何规划任务？
  • Agent 如何维护状态？
  • Agent 如何决定下一步行为？
  • Agent 如何支持循环执行？
  • Agent 如何恢复中断任务？

这些问题并不是组件问题。

而是：

Workflow 问题。

LangGraph 要解决什么？

LangGraph 的设计目标可以概括为：

构建可控、可状态化、可恢复的 Agent Workflow。

其关注重点已经不再是：

Agent 能做什么

而是：

Agent 应该如何完成任务

LangGraph 的核心抽象

LangGraph 引入了三个关键概念：

State

任务运行状态

例如：

{
    "messages": [],
    "plan": [],
    "current_step": 3
}

Node

执行节点

例如：

Planner
Searcher
Critic
Executor

Edge

节点之间的流转关系

例如：

Planner
    ↓
Searcher
    ↓
Critic

或者：

Critic
   ↓
Satisfied?
  /   \
Yes   No
 |     |
End Planner

LangGraph 的本质

从架构角度看：

LangGraph 更接近：

Workflow Engine

而非：

Component Framework

其职责是：

  • 管理执行流程
  • 管理状态流转
  • 管理节点调度
  • 管理任务生命周期

因此：

LangGraph 本质上是一个面向 Agent 的工作流编排框架。

2.3 两者在 Agent 技术栈中的位置

如果从 Agent 系统整体架构来看：

┌──────────────────────┐
│     Agent App        │
└──────────┬───────────┘
           │
           ▼
┌──────────────────────┐
│      LangGraph       │
│ Workflow Runtime     │
└──────────┬───────────┘
           │
           ▼
┌──────────────────────┐
│      LangChain       │
│ Components Layer     │
└──────────┬───────────┘
           │
           ▼
┌──────────────────────┐
│     LLM Provider     │
└──────────────────────┘

可以发现：

LangChain 与 LangGraph 实际处于不同层级。

LangChain 位于能力层

负责提供：

Prompt
Tool
Retriever
Memory
Model

类似于：

SDK

LangGraph 位于运行时层

负责提供：

State
Node
Edge
Execution
Checkpoint

类似于：

Workflow Runtime

一个形象的比喻

如果把 Agent 系统看作一家工厂：

LangChain

负责提供：

机器
工具
流水线设备

即：

生产资源。

LangGraph

负责提供：

调度系统
流程控制系统
任务管理系统

即：

生产组织能力。

因此：

LangChain ≠ LangGraph

<font color="red">LangChain + LangGraph</font>
      ↓
<font color="red">完整 Agent 系统</font>

2.4 适用问题域分析

理解定位之后，就可以分析两者分别适用于哪些问题。

LangChain 适用场景

ChatBot

典型流程：

用户
 ↓
LLM
 ↓
回复

线性执行即可完成。

RAG 系统

流程：

问题
 ↓
检索
 ↓
生成
 ↓
回答

属于标准 Pipeline。

Tool Calling

流程：

问题
 ↓
Agent
 ↓
Tool
 ↓
返回结果

无需复杂状态管理。

MVP 验证

特点：

  • 开发速度优先
  • 快速上线
  • 功能验证

LangChain 足够满足需求。

LangGraph 适用场景

Research Agent

流程：

规划
 ↓
搜索
 ↓
评估
 ↓
继续搜索
 ↓
总结

存在循环与动态决策。

Coding Agent

例如：

生成代码
 ↓
执行测试
 ↓
发现错误
 ↓
修复代码
 ↓
重新测试

形成反馈闭环。

Deep Research

例如：

搜集资料
 ↓
分析资料
 ↓
发现缺口
 ↓
补充搜索
 ↓
生成报告

需要长期运行状态。

Multi-Agent

例如：

Supervisor
 ↓
多个 Agent
 ↓
结果汇总

需要复杂调度机制。

企业级 Agent 平台

例如：

Agent
 ↓
审批
 ↓
执行
 ↓
审计

需要：

  • 状态持久化
  • Checkpoint
  • Human-in-the-Loop

2.5 本章小结

从框架定位角度来看，LangChain 与 LangGraph 并不是同一层面的产品。

LangChain 更关注：

如何为 Agent 提供能力。

因此它本质上是一个 LLM 应用开发框架。

而 LangGraph 更关注：

如何组织 Agent 的行为。

因此它本质上是一个 Agent 工作流编排框架。

二者的关系可以总结为：

维度 LangChain LangGraph
核心定位 LLM Application Framework Agent Workflow Framework
关注重点 能力组件 工作流编排
核心抽象 Prompt、Tool、Model State、Node、Edge
解决问题 Agent 能做什么 Agent 如何完成任务
抽象层级 组件层 运行时层
典型场景 ChatBot、RAG Research Agent、Coding Agent

从某种意义上说：

LangChain 是 Agent 的”能力库”，而 LangGraph 是 Agent 的”操作系统”。

3. 核心理论框架：LLM Agent System 四层模型

在对 LangChain 与 LangGraph 进行对比之前，需要建立一个统一的分析坐标系。

否则不同章节的对比将停留在“功能层面”，无法解释其本质差异。

本章提出一个通用抽象：

LLM Agent 系统 = 四层计算架构模型

3.1 LLM Agent 系统四层结构

Capability Layer
能力层

Control Layer
控制层

Runtime Layer
运行时层

Orchestration Layer
编排层

Agent Application
最终系统

四层核心定义

层级 核心问题 本质
Capability Layer Agent 能做什么 能力组件
Control Layer Agent 如何决策 决策机制
Runtime Layer Agent 如何持续运行 执行系统
Orchestration Layer Agent 如何组织流程 工作流引擎

3.2 Capability Layer（能力层）

—— Agent 的能力基础

Capability Layer 是 LLM Agent 的“能力来源”，主要由 LangChain 提供。

核心组成

LLM Models
大语言模型

Prompt System
提示系统

Tool System
工具系统

RAG / Retriever
检索增强

Memory
记忆

主要能力

  • LLM 调用抽象（OpenAI / Claude / Gemini）
  • Prompt 模板系统
  • Tool Calling（函数 / API / DB）
  • RAG 检索增强
  • 基础 Memory

本质

Capability Layer 只回答：

❗ Agent “能做什么”

但不负责：

  • 如何执行
  • 如何决策
  • 如何组织流程

层级定位

Capability Layer = Agent 能力组件库

3.3 Control Layer（控制层）

—— Agent 的决策系统

Control Layer 负责：

Agent 下一步该做什么？

核心机制

Tool Call
调用工具

Direct Answer
直接回答

Next Step
继续推理

User Input
用户输入

Reasoning Engine
推理引擎

Decision
决策

Tool Execution
工具执行

LLM Response
模型回复

关键能力

① Tool Selection

  • 是否调用工具
  • 调用哪个工具
  • 参数如何生成

② Reasoning Pattern

  • ReAct
  • Plan-and-Execute
  • Reflection
  • Self-critique

③ Routing（路由）

  • 条件分支
  • 动态路径选择
  • 多步骤推理

本质

Control Layer =

Agent Decision Engine（决策引擎）

LangChain vs LangGraph 对比

能力 LangChain LangGraph
Tool Routing 基础 强
Loop Control 弱 原生
Dynamic Decision 限制 完整

3.4 Runtime Layer（运行时层）

—— Agent 的执行系统

Runtime Layer 负责：

Agent 如何长期运行

核心能力

State
状态管理

Checkpoint
断点保存

Persistence
持久化存储

Resume
恢复执行

关键能力

① State Management

  • 当前任务状态
  • 中间结果
  • 全局上下文

② Checkpoint

  • 断点保存
  • 执行进度记录
  • 支持恢复

③ Persistence

  • Redis / DB / File
  • 长期状态存储

④ Long-running Execution

  • 数小时 / 数天任务
  • 异步执行
  • 外部触发恢复

本质

Runtime Layer =

Agent Execution Engine（执行引擎）

LangChain vs LangGraph

能力 LangChain LangGraph
State First 弱 强
Resume 困难 原生
Long Task 不适合 原生支持

3.5 Orchestration Layer（编排层）

—— Agent 的流程系统（LangGraph 核心）

Orchestration Layer 负责：

Agent 如何组织整个执行流程

Graph 执行模型

Yes
通过

No
不通过

Start
开始

Node A: Planner
规划节点

Node B: Searcher
搜索节点

Node C: Critic
评估节点

End
结束

核心能力

① Graph Structure

  • Node（节点）
  • Edge（边）
  • Directed Graph（有向图）

② Flow Control

  • 顺序执行
  • 条件分支
  • 循环执行
  • 动态跳转

③ Parallel Execution

Supervisor
调度器

Agent A
智能体A

Agent B
智能体B

Agent C
智能体C

Aggregator
结果汇总

④ Human-in-the-loop

  • 人工审批
  • 中断等待
  • 外部输入恢复

本质

Orchestration Layer =

Workflow Engine（工作流引擎）

LangGraph 核心优势

能力 LangChain LangGraph
Graph Model ❌ ✅
Loop Flow ❌ ✅
Multi-Agent 限制 原生
Workflow Engine ❌ ✅

3.6 四层模型总结

3.6.1 总体结构

Capability Layer
LangChain主导

Control Layer
LangChain + LangGraph

Runtime Layer
LangGraph主导

Orchestration Layer
LangGraph主导

3.6.2 LangChain vs LangGraph 归属

层级 LangChain LangGraph
Capability 强 复用
Control 中 强
Runtime 弱 强
Orchestration 弱 强

3.6.3 核心结论

LangChain = <font color="red">能力组件体系（Capability System）</font>
LangGraph = <font color="red">Agent运行与编排系统（Runtime + Workflow System）</font>

4. 架构设计思想对比：Chain Model vs Graph Model

在明确 LangChain 与 LangGraph 的定位差异之后，需要进一步进入更本质的一层：

它们为什么会采用完全不同的“结构模型”？

这一章不再停留在功能层，而是从计算结构与系统建模方式出发分析两者差异。

4.1 Chain 模型（LangChain）

—— 线性流水线式执行模型

LangChain 的核心抽象是：

Chain（链式结构）

其本质是一种：

Pipeline Execution Model（流水线执行模型）

基本结构

Input

Step 1: Prompt

Step 2: LLM

Step 3: Tool / Retriever

Step 4: Output

核心特点

① 线性执行（Linear Flow）

  • 严格顺序执行
  • 每一步依赖上一步输出
  • 无回路结构
A → B → C → D

② 结构固定（Static Flow）

Chain 在运行前结构已确定：

  • 流程不可动态改变
  • 执行路径固定
  • 控制流隐式存在

③ 局部状态（Local State）

  • 状态通常通过 Memory 传递
  • 无统一全局状态管理
  • 每一步“感知有限上下文”

④ 组件组合（Composition-based）

Chain 更像：

Function Composition
f(x) → g(x) → h(x)

本质总结

Chain 模型本质是：

确定性执行管道（Deterministic Pipeline）

优势

  • 简单直观
  • 易于调试
  • 适合标准任务流
  • 非常适合 MVP / 快速开发

典型场景：

  • ChatBot
  • RAG
  • Tool Calling
  • 单轮 Agent

局限性

Chain 模型的问题在于：

❌ 1. 无法表达循环

需要反复搜索 → 无法原生支持

❌ 2. 无法表达动态决策

根据结果决定下一步 → 很难表达

❌ 3. 无法表达多路径执行

A → B → C
  ↘ D → E   （Chain不自然）

❌ 4. 状态弱表达

  • 状态依赖 memory hack
  • 没有统一 state model

结论

Chain 的设计本质是：

“预定义流程执行模型”

而不是：

“智能决策系统”

4.2 Graph 模型（LangGraph）

—— 状态驱动的图计算模型

LangGraph 的核心抽象是：

Graph（图结构执行模型）

其本质是：

State Machine + Directed Graph Execution

基本结构

Satisfy

Unsatisfy

State Start

Node: Planner

Node: Searcher

Node: Critic

End

核心特点

① 图结构（Graph-based）

  • Node（节点）
  • Edge（边）
  • 支持任意拓扑结构

② 支持循环（Loop Native）

loop

Node A

Node B

Node C

③ 支持条件路由（Conditional Edge）

if result == good → End
if result == bad → Retry

④ 全局状态（Global State）

核心特征：

state = {
    "messages": [],
    "plan": [],
    "iterations": 3
}
  • 所有节点共享 state
  • state 在图中流动
  • state 是一等公民

⑤ 可控执行流（Explicit Control Flow）

Graph 的控制流是：

显式定义，而非隐式执行

本质总结

Graph 模型本质是：

显式状态机执行模型（Explicit State Machine Execution Model）

优势

✅ 1. 支持复杂流程

  • 分支
  • 循环
  • 多路径
  • 回退

✅ 2. 原生支持 Agent Loop

例如：

Search → Evaluate → Improve → Search

3. 强状态建模能力

  • State first design
  • 可持久化
  • 可恢复

4. 支持多 Agent 系统

Supervisor

Agent A

Agent B

Agent C

Reducer

局限性

❌ 1. 学习成本更高

  • 需要理解 graph model
  • 需要 state 思维

❌ 2. 结构复杂

  • 小任务显得“过度设计”

❌ 3. 对简单任务不必要

  • ChatBot 用 Graph 属于“杀鸡用牛刀”

结论

Graph 的设计本质是：

“可控的动态决策系统”

4.3 Pipeline vs State Machine（核心本质对比）

这一节是本章最关键部分。

① LangChain = Pipeline Model

Input

Step 1

Step 2

Step 3

特征：

  • 线性
  • 确定
  • 无回路
  • 轻量

② LangGraph = State Machine Model

Yes

No

State

Node 1

Condition

Node 2

End

特征：

  • 状态驱动
  • 可循环
  • 可分支
  • 可恢复

核心区别

维度 LangChain LangGraph
模型 Pipeline State Machine
控制流 隐式 显式
状态 局部 全局
执行 一次性 持续性

4.4 DAG vs Cyclic Graph（结构能力差异）

LangChain：DAG（有向无环图）

A

B

C

D

特点：

  • 无循环
  • 单向执行
  • 一次性流程

LangGraph：Cyclic Graph（可循环图）

A

B

C

D

特点：

  • 支持 loop
  • 支持 retry
  • 支持 agent reasoning loop

关键差异

结构 LangChain LangGraph
DAG ✅ ✅
Cycle ❌ ✅
Self-loop ❌ ✅

4.5 Agent 为什么天然适合 Graph 模型

Agent 的本质行为是：

不断“观察 → 思考 → 行动 → 修正”

可以抽象为：

Observe → Think → Act → Evaluate → Repeat

Graph 结构天然匹配

不满意

满意

Observe
观察

Think
思考

Act
行动

Evaluate
评估

Finish
完成

为什么 Chain 不适合 Agent？

Chain 无法表达：

  • retry
  • reflection
  • multi-step planning
  • dynamic decision

Graph 的优势

Graph 提供：

  • loop
  • state
  • branching
  • conditional routing

→ 完全匹配 Agent 行为模式

4.6 本章总结（核心结论）

① 两种模型的本质差异

LangChain  = <font color="red">Pipeline Execution Model</font>
LangGraph  = <font color="red">State Machine Execution Model</font>

② 控制方式差异

类型 LangChain LangGraph
控制流 隐式 显式
执行路径 固定 动态
状态 弱 强

③ 设计哲学差异

  • LangChain：How to execute a pipeline
  • LangGraph：How to control an agent system

5. 执行模型对比：顺序执行 vs 动态决策执行

在 LangChain 与 LangGraph 的差异中，“执行模型（Execution Model）”是最关键的分水岭之一。

如果说第4章讨论的是结构（Structure），那么本章讨论的就是：

系统在运行时“如何思考与行动”

5.1 LangChain 执行模型：顺序驱动（Sequential Execution）

LangChain 的执行模型本质是：

Pipeline-based Sequential Execution（流水线式顺序执行）

基本执行流程

用户输入

Prompt构建

LLM调用

Tool / Retriever

结果输出

核心特点

① 严格顺序执行

每一步依赖上一步输出：

Step1 → Step2 → Step3 → Step4

② 执行路径固定

在运行前：

  • 流程已确定
  • 路径不可动态改变

③ 无显式控制流

控制逻辑通常隐藏在：

  • Chain 组合
  • Agent loop（有限支持）
  • Prompt 逻辑

典型执行模式

① Chain 模式

输入

LLM

输出

② RAG 模式

问题

检索 Retriever

上下文拼接

LLM生成

回答

③ Tool Calling（受限循环）

是

否

用户问题

LLM判断

是否调用工具?

Tool执行

直接回答

本质总结

LangChain 执行模型本质是：

确定性流程执行（Deterministic Execution Pipeline）

优点

  • 简单清晰
  • 易调试
  • 易组合
  • 非常适合标准任务

缺点

  • 无法表达复杂决策
  • 无法支持长期循环任务
  • 状态能力较弱
  • 动态路径能力不足

5.2 LangGraph 执行模型：状态驱动（Stateful Execution）

LangGraph 的执行模型本质是：

State Machine + Graph-based Dynamic Execution

基本执行结构

通过

不通过

State初始化

Node: Planner

Node: Searcher

Node: Critic

结束 End

核心特点

① 状态驱动执行（State-driven）

每一步执行依赖：

state → node → updated state → next node

② 动态路径选择（Dynamic Routing）

执行路径不是固定的：

条件1

条件2

Node A

条件判断

Node B

Node C

End

③ 支持循环（Native Loop）

LangGraph 原生支持：

否

是

Search

Evaluate

是否足够?

输出结果

④ 全局状态共享（Global State）

state = {
    "messages": [],
    "plan": [],
    "results": [],
    "iteration": 0
}

所有 Node 共享并修改 state。

本质总结

LangGraph 执行模型本质是：

显式状态机执行系统（Explicit Stateful Execution System）

优点

  • 支持复杂决策流程
  • 支持循环与回溯
  • 支持长期任务
  • 支持多 Agent 协作
  • 支持状态恢复（Checkpoint）

缺点

  • 学习成本更高
  • 结构更复杂
  • 小任务显得“过重”

5.3 顺序执行 vs 动态执行（核心差异）

LangChain：顺序执行模型

Input

Step1

Step2

Step3

Output

特征：

  • Linear
  • Static
  • One-pass

LangGraph：动态执行模型

路径1

路径2

是

否

State

Node1

Decision

Node2

Node3

是否继续?

End

特征：

  • Dynamic
  • Stateful
  • Cyclic

核心差异总结

维度 LangChain LangGraph
执行方式 顺序执行 状态驱动
控制流 隐式 显式
路径 固定 动态
循环 不支持 原生支持

5.4 ReAct / Planning / Reflection 执行机制对比

这一节是 Agent 执行模型的核心。

① ReAct（LangChain 典型）

ReAct = Reason + Act

问题输入

Reasoning

Action选择

Tool执行

Observation

特点

  • 思考 + 行动交替
  • 轻量 loop
  • 依赖 prompt 控制

局限

  • loop 不稳定
  • 控制能力弱
  • 状态不结构化

② Planning Agent（规划型）

任务输入

生成Plan

执行Step1

执行Step2

执行Step3

总结输出

特点

  • 先规划后执行
  • 执行流程较稳定

局限

  • plan 不可动态调整
  • 遇到变化难适配

③ Reflection Agent（反思型）

否

是

生成结果

自我评估

是否合格?

修正

输出

特点

  • 自我优化能力
  • loop-based improvement

LangGraph 的优势

LangGraph 可以原生表达所有这些模式：

模型 LangChain LangGraph
ReAct ✅（prompt实现） ✅（结构化）
Planning ⚠️ ✅
Reflection ⚠️ ✅
Hybrid ❌ ✅

5.5 动态决策能力对比（核心差异）

LangChain：隐式决策

LLM

Prompt决定

Tool A

Tool B

特点：

  • 决策依赖 Prompt
  • 不可控
  • 不可观测

LangGraph：显式决策

A

B

C

State

Decision Node

条件判断

Node A

Node B

Node C

特点：

  • 决策结构化
  • 可调试
  • 可追踪

5.6 执行模型本质对比（总结）

① 模型定义

LangChain  = <font color="red">Sequential Execution Model</font>
LangGraph  = <font color="red">Stateful Graph Execution Model</font>

② 控制方式

维度 LangChain LangGraph
控制流 隐式 显式
决策点 Prompt内部 Graph节点
可调试性 弱 强

③ 系统行为

行为 LangChain LangGraph
单轮任务 强 强
多轮推理 弱 强
长任务 不适合 原生支持
动态路径 不支持 支持

6. 状态管理机制对比：Memory vs State vs Checkpoint

在 LangChain 与 LangGraph 的体系中，“状态管理能力”是决定系统是否能够从“对话工具”升级为“Agent 系统”的关键因素。

本章重点分析三种核心机制：

  • LangChain Memory（记忆机制）
  • LangGraph State（状态机制）
  • Checkpoint（持久化与恢复机制）

6.1 LangChain Memory：局部记忆模型

LangChain 的 Memory 机制本质是：

对话上下文增强机制（Context Augmentation Layer）

基本结构

User Input

Memory读取

Prompt拼接

LLM

Memory更新

常见 Memory 类型

  • ConversationBufferMemory
  • ConversationSummaryMemory
  • WindowMemory
  • EntityMemory

核心特点

① 局部性（Local Scope）

Memory 通常绑定在：

  • 单个 Chain
  • 单个 Agent 会话

② 非结构化（Unstructured）

Memory 内容通常是：

聊天记录 / summary / text blob

而不是结构化 state。

③ 被动更新

Memory 更新通常发生在：

  • prompt之后
  • LLM输出之后

本质总结

LangChain Memory 本质是：

“增强上下文的文本缓存系统”

局限性

  • ❌ 无全局状态概念
  • ❌ 不适合复杂流程管理
  • ❌ 不支持流程级恢复
  • ❌ 状态不可拆分控制

6.2 LangGraph State：全局状态模型

LangGraph 引入了完全不同的设计：

State First Design（状态即一等公民）

基本结构

Node A

State Update

Node B

State Update

State 示例

state = {
    "messages": [],
    "plan": [],
    "results": [],
    "current_step": 0,
    "final_answer": None
}

核心特点

① 全局共享（Global State）

所有节点：

  • 读取 state
  • 修改 state
  • 推进 state

② 结构化（Structured State）

State 是：

  • 明确 schema
  • 可控字段
  • 可追踪变化

③ 显式流动（Explicit Flow）

Node → State Update → Node → State Update

本质总结

LangGraph State 本质是：

“流动的数据中心（Data-centric Execution Model）”

6.3 Checkpoint 机制：任务恢复核心能力

Checkpoint 是 LangGraph 与 LangChain 最大差异之一。

基本结构

执行Node1

Checkpoint保存

Node2

Checkpoint保存

恢复点

核心能力

① 状态持久化

  • Redis
  • Database
  • File system

② 断点续跑（Resume Execution）

Task执行到50%
→ 系统崩溃
→ 从Checkpoint恢复继续执行

③ 多轮恢复能力

支持：

  • 长任务恢复
  • Agent中断恢复
  • 外部触发恢复

本质总结

Checkpoint =

“Execution State Snapshot System（执行状态快照系统）”

6.4 Memory vs State vs Checkpoint 对比

总体对比

维度 LangChain Memory LangGraph State Checkpoint
层级 应用层 运行时层 系统层
结构 非结构化 结构化 持久化
生命周期 会话级 任务级 系统级
是否可恢复 ❌ ⚠️ ✅
控制能力 弱 强 强

架构关系图

User Input

LangChain Memory

LLM Prompt

LangGraph State

Node Execution

Checkpoint

Resume Execution

6.5 核心本质差异总结

LangChain

Memory = 上下文增强机制

特点：

  • 轻量
  • 非结构化
  • 会话导向

LangGraph

State + Checkpoint = 状态化执行系统

特点：

  • 结构化
  • 可恢复
  • 系统级

一句话总结

LangChain 通过 Memory 机制增强对话上下文，而 LangGraph 引入结构化、可持久化的状态系统，实现对 Agent 执行全生命周期的管理。

6.6 本章总结

状态管理的本质差异可以归纳为：

① 抽象层级不同

  • LangChain → 会话增强
  • LangGraph → 执行系统状态

② 控制能力不同

  • LangChain → 被动记忆
  • LangGraph → 主动状态驱动

③ 系统能力不同

  • LangChain → 单轮/短任务
  • LangGraph → 长任务/复杂流程

核心结论

Memory → 记忆系统（辅助）
State → 执行核心（主系统）
Checkpoint → 系统级恢复能力（工程级关键）

7. Agent 构建能力对比：从组件组合到系统化 Agent

在 LangChain 与 LangGraph 的对比中，“Agent 构建能力”是最直接体现两者工程能力差异的一层。

本章关注的问题是：

如何从 LLM + Tools 构建一个“可执行的智能体系统”

7.1 LangChain Agent：组件驱动型 Agent

LangChain 的 Agent 构建方式本质是：

Prompt + Tool + Loop 的组合模型

基本结构

是

否

User Input

Agent Prompt

LLM Reasoning

是否调用工具

Tool Execution

Final Answer

核心特点

① Prompt 驱动决策

Agent 的行为主要依赖：

  • ReAct Prompt
  • Tool description
  • Few-shot examples

② 运行时弱结构化

  • 没有显式状态图
  • loop 由框架隐式控制
  • execution flow 不透明

③ 工具调用是核心扩展方式

Agent 能力扩展依赖：

Tool = 外部能力接口

本质总结

LangChain Agent 是：

Prompt-driven Reactive Agent（提示驱动反应式智能体）

局限性

  • ❌ loop 不可控
  • ❌ 状态不可结构化管理
  • ❌ 多 Agent 协作困难
  • ❌ 行为不可预测性较高

7.2 LangGraph Agent：系统化 Agent 构建模型

LangGraph 将 Agent 构建方式升级为：

Graph-based Stateful Agent System

基本结构

需要优化

完成

State Input

Planner Node

Executor Node

Tool Node

Evaluator Node

Final Output

核心特点

① Node 化 Agent 逻辑

Agent 被拆解为多个 Node：

  • Planner
  • Executor
  • Critic
  • Tool Caller

② State 驱动执行

每个 Node：

  • 读取 State
  • 修改 State
  • 决定下一步

③ 显式控制流

Node → Edge → Node

所有流程可定义。

本质总结

LangGraph Agent 是：

Stateful Graph-based Agent System（状态图智能体系统）

优势

  • ✔ 行为可控
  • ✔ 流程可解释
  • ✔ 支持复杂决策链
  • ✔ 支持循环与回溯

7.3 ReAct Agent 对比

LangChain ReAct（典型实现）

Question

Thought

Action

Observation

特点

  • Prompt 控制循环
  • Reason + Act 交替
  • 依赖 LLM 自主推理

问题

  • loop 不稳定
  • 容易 hallucination
  • 无结构化控制

LangGraph ReAct（结构化版本）

否

是

State

Reason Node

Action Node

Tool Node

Observation Node

Stop?

Output

改进点

  • loop 可控
  • 状态可追踪
  • 每一步显式化

7.4 Planning Agent 对比

LangChain Planning Agent

Goal

Plan生成

Step1

Step2

Step3

Result

问题

  • plan 固定
  • 无动态调整能力
  • 遇到失败难以修正

LangGraph Planning Agent

否

是

Goal

Planner Node

State Plan生成

Executor Node

Step执行

是否成功?

Next Step

优势

  • plan 可动态更新
  • 支持中途修正
  • 可结合 feedback loop

7.5 Reflection Agent 对比

LangChain Reflection Agent

No

Yes

Generate

Self Evaluate

Good?

Regenerate

Final Output

问题

  • reflection 依赖 prompt
  • 无结构化评价体系

LangGraph Reflection Agent

Low
低

High
高

State Input

Generate Node

Evaluation Node

Score Check
评分检查

Finalize
完成

改进点

  • evaluation 独立 node
  • 可插入多 evaluator
  • 支持多轮优化策略

7.6 Multi-Agent 系统对比

LangChain Multi-Agent（弱编排）

Agent A

Coordinator Prompt

Agent B

LLM Aggregation

Result

局限

  • 无统一状态
  • 协作逻辑依赖 prompt
  • 难扩展

LangGraph Multi-Agent（原生支持）

Supervisor Node

Agent A

Agent B

Agent C

Reducer Node

优势

  • 统一 state
  • 可控调度
  • 支持任务分发与回收
  • 支持 hierarchical agent system

7.7 Agent 生命周期对比

LangChain Agent 生命周期

Input

Single Loop Execution

Output

特点：

  • 短生命周期
  • 一次性执行
  • session-based

LangGraph Agent 生命周期

Start

State Init

Multi-step Execution

Checkpoint

Resume

Finish

特点：

  • 长生命周期
  • 可中断恢复
  • workflow-based

7.8 本章总结

① Agent 构建方式差异

维度 LangChain LangGraph
构建方式 Prompt组合 Graph建模
控制方式 隐式 显式
状态 弱 强
扩展性 中 强

② 核心范式差异

LangChain = <font color="red">Prompt-driven Agent</font>
LangGraph = <font color="red">State-driven System Agent</font>

③ 架构本质总结

LangChain 侧重通过”以提示词为中心”的组合方式来构建智能代理，而 LangGraph 则将代理构建为显式的状态机，并通过基于图的执行逻辑进行编排

下篇预告： 本文上篇从框架定位、架构设计、执行模型、状态管理到 Agent 构建，完整梳理了 LangChain 与 LangGraph 在设计层面的核心差异。下篇将从工程落地视角出发，继续分析工作流编排、容错恢复、可观测性、性能扩展等企业级能力，并给出典型场景的技术选型建议。详见《LangChain vs LangGraph 深度对比（下）：从工作流编排到企业级落地的工程篇》。

Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

cover

agent面试必备50-AI Agent 核心进阶：多智能体“状态管理与同步”

avatar AI Agent技术社区
cover

从 Prompt 到 Platform：企业级 AI Agent 平台工程专栏导读

avatar AI Agent技术社区

为什么AI Agent需要可观测性

随着AI Agent在复杂任务处理、多步决策和自主执行中扮演越来越重要的角色，其内部推理过程却如同一个"黑盒"。本文将探讨如何通过可观测性技术，让AI Agent的思考过程变得透明、可追溯、可调试。工具调用的复杂性：外部API调用、代码执行、数据查询的监控与审计。性能瓶颈的定位：识别推理延迟、工具调用失败、上下文窗口溢出的根源。上下文关联：将用户会话、Agent实例、工具调用串联起来。数据采集层：

avatar AI Agent技术社区