---

前言

# LangChain vs LangGraph对比‌

  大模型落地，要么做workflow、要么做agent，而无论哪一种，全都离不开框架，已经成为共识。而框架的选型，也直接决定着项目落地的效果好坏。

  在众多开发框架中，LangChain 和 LangGraph 作为同一生态系统的重要组成部分，讨论度常年居高不下。

  那么，到底该如何选型？先说结论，LangChain 专注于提供组件和 LCEL 编排能力，适合简单的一次性任务；LangGraph 则是构建有状态 Agent 系统的理想选择。两者相辅相成，可根据场景灵活选用。

  具体原理，将从技术架构、应用场景等维度深入分析这两个框架，帮助做出决策参考。

---

一、框架概述与核心理念

1. LangChain：组件库与 LCEL 编排系统

LangChain 是一个专为开发大型语言模型应用而设计的开源框架，其核心是提供丰富的组件库和 LCEL（LangChain Expression Language）编排能力。

核心特点：

• 丰富的组件库：提供文档加载器、文本分割器、向量存储、模型接口等多种组件
• LCEL 编排能力：通过 LangChain Expression Language 实现组件的灵活组合
• 易于集成：与外部 API、数据库等工具无缝对接
• 成熟生态：拥有完善的文档和活跃的社区支持

2. LangGraph：构建有状态 Agent 系统的框架

LangGraph 是 LangChain 生态系统中的专门库，专注于构建有状态的多智能体系统。它采用图（Graph）结构来表示任务和流程，其中节点代表操作或步骤，边表示节点之间的依赖关系。

核心特点：

• 图结构架构：支持循环、回溯和复杂的控制流
• 状态管理：拥有强大的中央状态组件，确保上下文连续性
• 多智能体支持：天然适合构建多个智能体协作的场景
• 调试支持：LangSmith Studio 提供图结构的可视化调试能力

二、技术架构深度对比

1. 架构模式差异

LangChain 的 LCEL 架构：

# LangChain的LCEL编排示例from langchain.prompts import ChatPromptTemplatefrom langchain.chat_models import ChatOpenAIprompt = ChatPromptTemplate.from_template("请回答以下问题：{question}")model = ChatOpenAI()# LCEL链式编排chain = prompt | model# 运行链result = chain.invoke({"question": "什么是人工智能？"})LangChain 通过 LCEL 提供了声明式的组件编排方式，适合构建简单的线性处理流程。

LangGraph 架构特点：

# LangGraph的图结构定义from langgraph.graph import StateGraphfrom typing import TypedDictclassState(TypedDict):    messages: list    current_step: strdefnode_a(state: State) -> State:# 节点A的处理逻辑return {"messages": state["messages"] + ["处理A"], "current_step": "A"}defnode_b(state: State) -> State:# 节点B的处理逻辑return {"messages": state["messages"] + ["处理B"], "current_step": "B"}# 创建图结构graph = StateGraph(State)graph.add_node("node_a", node_a)graph.add_node("node_b", node_b)graph.add_edge("node_a", "node_b")LangGraph 支持复杂的图结构，可以处理循环、条件分支等复杂逻辑，特别适合构建 Agent 系统。

2. 状态管理机制

LangChain 的状态管理：

• 通过 Memory 组件实现简单的状态保持
• 主要支持线性的上下文传递
• 适合单轮或简单多轮对话场景

LangGraph 的状态管理：

• 提供强大的中央状态管理系统
• 支持复杂的状态变更和回溯
• 能够处理长期的、多步骤的交互流程

3. 特性对比

特性	LangChain	LangGraph
执行模式	LCEL 编排：基于 LCEL 的线性/链式流水线（函数式组合）	基于状态机的有向图执行（节点 + 全局状态驱动）
循环支持	有限支持：需手动实现（如递归调用或外部 while 循环）	原生支持：通过图中边指向自身或前序节点实现循环
条件分支	通过 RunnableBranch 或 RunnableLambda 实现，逻辑嵌套后可读性下降	原生支持：节点函数直接返回下一节点名，分支逻辑清晰
并发处理	有限：通过 RunnableBranch 实现；依赖外部机制（如 asyncio.gather 或批处理）	支持异步节点和子图（需显式编写），原生图结构便于并行扩展
错误处理	异常沿链传播：需在链中插入 RunnableLambda 捕获	节点内可捕获异常、更新状态，并决定跳转到错误恢复节点

4. 小结

• LangChain（LCEL）：适合简单、线性、无状态的任务编排。

  • 优势：上手快、API 简洁，适合构建单次、无状态的 LLM 应用（如 RAG、内容生成）。

  • 局限：复杂控制流（如多轮决策、回退机制）需大量胶水代码，难以维护。

• LangGraph：专为复杂、有状态、需决策循环的智能体系统设计。

  • 优势：专为智能体（Agent）系统设计，天然支持状态记忆、多轮交互、工具协作。

  • 定位：是 LangChain 生态的高级流程编排层，底层仍复用 LangChain 组件（如 LLM、Tools）。

三、应用场景深度分析

1. 适合 LangChain 的场景

1.1 简单的一次性任务处理

LangChain 非常适合处理那些不需要复杂状态管理的一次性任务：

# 使用 LCEL 实现简单的文本翻译from langchain.prompts import ChatPromptTemplatefrom langchain.chat_models import ChatOpenAIprompt = ChatPromptTemplate.from_template("将以下文本翻译成英文：{text}")model = ChatOpenAI()chain = prompt | modelresult = chain.invoke({"text": "你好，世界！"})实际应用：浏览器插件中的文本翻译功能，用户选中文本后一键翻译，不需要保持复杂状态。

1.2 基础组件提供

LangChain 提供了丰富的基础组件，可以作为构建更复杂系统的基石：

• 向量存储接口：与各种向量数据库的标准化接口
• 文档处理工具：加载、分割、处理各类文档
• 模型接口：统一的模型调用接口

实际应用：作为 LangGraph 应用的组件提供者，为图结构中的各个节点提供基础功能。

2. 适合 LangGraph 的场景

2.1 Agent 系统

LangGraph 是构建 Agent 系统的理想选择：

# Agent系统的简化示例def agent(state):    messages = state["messages"]# Agent思考并决定下一步行动    action = decide_action(messages)return {"action": action, "messages": messages}def tool_executor(state):# 执行工具调用    action = state["action"]    result = execute_tool(action)return {"result": result, "messages": state["messages"] + [result]}# 构建Agent图graph = StateGraph()graph.add_node("agent", agent)graph.add_node("tool_executor", tool_executor)graph.add_edge("agent", "tool_executor")graph.add_edge("tool_executor", "agent")实际应用：GitHub Copilot X 的高级功能采用 Agent 架构，能够理解用户意图，执行多步操作完成复杂编程任务。

2.2 多轮对话系统

LangGraph 的状态管理能力使其非常适合构建复杂的多轮对话系统：

• 客服系统：能够跟踪对话历史，理解上下文，提供连贯的回应
• 教育辅导系统：根据学生的回答历史调整教学策略
• 面试模拟系统：根据应聘者的回答调整面试问题

实际应用：Duolingo 的 AI 辅导系统能够根据学习者的答题历史和学习进度，提供个性化的语言学习体验。

2.3 多智能体协作系统

LangGraph 天然支持多智能体协作：

• 团队协作模拟：多个角色协同完成复杂任务
• 辩论系统：多个角色持不同观点进行辩论
• 创意协作平台：不同专业领域的智能体共同创作

实际应用：一些高级研究项目中，多个专业领域的 AI 智能体协作解决复杂问题，如药物发现、材料设计等领域。

四、选择决策框架

技术选型矩阵

项目特征	推荐框架	理由
简单一次性任务	LangChain	LCEL 编排简单直观
文本翻译/优化	LangChain	无需复杂状态管理
Agent系统	LangGraph	强大的状态管理和控制流
多轮对话系统	LangGraph
多智能体协作	LangGraph
需要工具调用的系统	LangGraph

五、总结

LangChain 和 LangGraph 作为同一生态系统的不同部分，各自承担着不同的角色。LangChain 提供了丰富的组件和 LCEL 编排能力，适合简单的一次性任务；而 LangGraph 则提供了强大的状态管理和图结构支持，特别适合构建 Agent 系统和复杂的多轮交互应用。

---

本文的引用仅限自我学习如有侵权，请联系作者删除。
参考知识
3分钟看懂！LangChain vs LangGraph终极对比：智能体开发效率飙升200%

---