LangChain & LangGraph

LangChain 是什么

LangChain 是最早也最流行的 LLM 应用开发框架之一。它的核心理念是将 LLM 调用与外部工具、数据源、记忆系统组合成可复用的”链”。

四大核心概念

1. Chain（链）

Chain 是 LangChain 最基础的抽象——将多个步骤串联成一条处理管线。例如：用户输入 → Prompt 模板 → LLM 调用 → 输出解析。

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

prompt = ChatPromptTemplate.from_template("用一句话解释什么是 {concept}")
llm = ChatOpenAI(model="gpt-4o-mini")
chain = prompt | llm | StrOutputParser()

result = chain.invoke({"concept": "Transformer"})
print(result)

LangChain 使用 | 运算符（LCEL 语法）将组件串联，非常直观。

2. Agent（代理）

Agent 让 LLM 根据用户请求自主决定使用哪些工具、以什么顺序调用。LangChain 内置了 ReAct、OpenAI Functions 等多种 Agent 类型。

3. Tool（工具）

Tool 是 Agent 可以调用的外部能力，比如搜索引擎、计算器、数据库查询等。每个 Tool 需要提供名称、描述和执行函数。

from langchain_core.tools import tool

@tool
def search_weather(city: str) -> str:
    """查询指定城市的天气"""
    return f"{city}今天晴，气温 25°C"

4. Memory（记忆）

Memory 组件让对话具有上下文记忆能力。常见实现包括 ConversationBufferMemory（保存全部对话）和 ConversationSummaryMemory（保存摘要）。

LangGraph 有向图模式

LangGraph 是 LangChain 团队推出的图编排框架，专门解决复杂 Agent 工作流的问题。与线性 Chain 不同，LangGraph 使用有向图（Directed Graph） 来编排 Agent 的执行流程。

三大核心概念

概念	说明
Node（节点）	图中的每个处理步骤，通常是一个函数
Edge（边）	连接节点的路径，决定执行顺序
State（状态）	在节点之间传递的共享数据对象

from langgraph.graph import StateGraph, START, END
from typing import TypedDict

class AgentState(TypedDict):
    messages: list
    next_action: str

def think(state: AgentState) -> AgentState:
    # LLM 推理，决定下一步
    state["next_action"] = "use_tool"
    return state

def use_tool(state: AgentState) -> AgentState:
    # 执行工具调用
    state["messages"].append("工具执行结果：...")
    return state

def router(state: AgentState) -> str:
    return state["next_action"]

graph = StateGraph(AgentState)
graph.add_node("think", think)
graph.add_node("use_tool", use_tool)
graph.add_edge(START, "think")
graph.add_conditional_edges("think", router, {
    "use_tool": "use_tool",
    "finish": END,
})
graph.add_edge("use_tool", "think")

app = graph.compile()

LangGraph 的关键优势在于条件分支和循环——这正是 ReAct 等 Agent 模式所需要的。

适用场景与优缺点

优点：

生态最丰富，集成了数百种工具和数据源
LCEL 语法简洁，快速原型开发
LangGraph 支持复杂工作流（循环、分支、并行）
内置 LangSmith 观测平台

缺点：

抽象层较厚，调试困难（“黑盒”问题）
API 变动频繁，版本间不兼容
过度抽象可能导致性能开销
简单任务用 LangChain 反而增加复杂度

适用场景：

需要快速原型开发的项目
复杂多步骤 Agent 工作流
需要丰富第三方集成的场景

常见陷阱

过度抽象陷阱：用 LangChain 包装一个简单的 API 调用，结果出错时需要翻阅框架源码才能定位问题。简单任务直接用模型 SDK。
版本不兼容：LangChain API 变动频繁，langchain 与 langchain-core、langchain-community 的版本依赖关系复杂。建议锁定版本并关注 changelog。
隐式行为难调试：LCEL 的 | 语法虽然简洁，但中间步骤的输入输出不直观。可用 RunnablePassthrough 或 LangSmith 来检查中间数据。

自测题 1：LangChain 的 Chain 和 LangGraph 的 Graph 有什么本质区别？

Chain 是线性管线，数据从头到尾单向流动；Graph 是有向图，支持条件分支和循环，能表达更复杂的控制流。

自测题 2：LangGraph 的 State 在整个图执行过程中扮演什么角色？

State 是所有节点之间共享的数据载体。每个节点读取 State、执行操作、更新 State，然后传递给下一个节点。它相当于整个图的"全局上下文"。

自测题 3：什么情况下不推荐使用 LangChain？

当任务很简单（比如单次 LLM 调用）时，直接用 SDK 即可，LangChain 的抽象层反而增加了不必要的复杂度和调试难度。