用 LangChain 還是 LangGraph？官方終於站出來表態了

無論是個人還是企業，當我們想要使用 LLM（大模型）的功能開發出有趣或者有價值的應用時，第一個技術問題通常是 “使用什麼工具？”

在本文中，我們將深入探討用於構建 LLM 應用程序的兩個最流行的框架：LangChain 和 LangGraph。

現在生成式 AI 的開發正處於井噴時期，幾乎每天都會出現各種新框架和新技術，所以各位在閱讀本文時請記住，今天是正確的，明天可能就不正確了！

**LangChain 和 LangGraph 的基礎組件  **

通過理解每個框架的不同基礎元素，你將更深入地理解它們在處理某些核心功能方面的關鍵區別。本節的描述並未窮盡列出每個框架的所有組件，而是爲理解它們的整體方法差異提供了一個堅實的基礎。

LangChain

使用 LangChain 主要有兩種方式：**預定義命令的順序鏈（Chain）**和 LangChain Agent。這兩種方式在工具和編排方式上有所不同。鏈採用預定義的線性工作流，而 Agent 則充當一個協調者，可以進行更具動態性（非線性）的決策。

• Chain（鏈）：一系列步驟的組合，這些步驟可以包括調用 LLM、Agent、工具、外部數據源、過程式代碼等。鏈可以分支，即根據邏輯條件將單一流程拆分爲多個路徑。

• Agent 或 LLM：LLM 本身能夠生成自然語言響應，而 Agent 則結合了 LLM 與額外能力，使其能夠進行推理、調用工具，並在調用工具失敗時重複嘗試。

• Tool（工具）：是可以在鏈中被調用的代碼函數，或由 Agent 觸發，以與外部系統交互。

• Prompt（提示詞）包括系統提示詞（用於指示模型如何完成任務以及可用工具）、來自外部數據源的注入信息（爲模型提供更多上下文）、以及用戶的輸入任務。

LangGraph

LangGraph 採用了一種不同的方法來構建 AI 工作流。正如其名稱所示，它以圖（Graph）的方式編排工作流。由於其在 AI Agent、過程式代碼和其他工具之間的靈活處理能力，它更適用於線性鏈、分支鏈或簡單 Agent 系統難以滿足需求的複雜應用場景。LangGraph 設計用於處理更復雜的條件邏輯和反饋循環，比 LangChain 更加強大。

• Graph（圖）是一種靈活的工作流組織方式，支持調用 LLM、工具、外部數據源、過程式代碼等。LangGraph 還支持循環圖（Cyclical Graph），即可以創建循環和反饋機制，使得某些節點能夠被多次訪問。

• Node（節點）表示工作流中的步驟，例如 LLM 查詢、API 調用或工具執行。

• Edge（邊）和 Conditional Edge（條件邊）：邊用於連接節點，定義信息流向，使一個節點的輸出作爲下一個節點的輸入。條件邊允許在滿足特定條件時，將信息從一個節點流向另一個節點。開發者可以自定義這些條件。

• State（狀態）表示應用程序的當前狀態，隨着信息在圖中流動而更新。狀態是一個****開發者定義的可變 TypedDict 對象，包含當前執行圖所需的所有相關信息。LangGraph 會在每個節點自動更新狀態。

• Agent 或 LLM：圖中的 LLM 僅負責對輸入生成文本響應。而 Agent 能力則允許圖中包含多個節點，分別代表 Agent 的不同組件（如推理、工具選擇和工具執行）。Agent 可以決定在圖中採取哪條路徑、更新圖的狀態，並執行比單純文本生成更多的任務。

相比之下，LangChain 更適合線性和基於工具的調用，而 LangGraph 更適合複雜的、多路徑和具有反饋機制的 AI 工作流。

**各框架在覈心功能處理方式上的區別  **

LangGraph 和 LangChain 在某些能力上有所重疊，但它們處理問題的方式有所不同。LangChain 主要關注線性工作流（通過鏈）或不同的 AI Agent 模式，而 LangGraph 則專注於創建更靈活、細粒度的、基於流程的工作流，其中可以包含 AI Agent、工具調用、過程式代碼等。

總體而言，LangChain 的學習曲線相對較低，因爲它提供了更多的抽象封裝和預定義配置，這使得 LangChain 更容易應用於簡單的使用場景。而 LangGraph 則允許對工作流設計進行更細粒度的定製，這意味着它的抽象程度較低，開發者需要學習更多內容纔能有效使用。

工具調用（Tool Calling）

LangChain

在 LangChain 中，工具的調用方式取決於是在鏈中按順序執行一系列步驟，還是僅使用 Agent 能力（不在鏈中明確定義）。

• 在鏈中，工具是作爲預定義步驟包含的，這意味着它們並不一定是由 Agent 動態調用的，而是在鏈設計時就已決定了調用哪些工具。

• 當 Agent 不在鏈中定義時，Agent 具有更大的自主性，它可以根據自己可訪問的工具列表，決定調用哪個工具以及何時調用。

鏈方式的流程示例：

Agent 方式的流程示例：

LangGraph

在 LangGraph 中，工具通常被表示爲圖上的一個節點****。如果圖中包含一個 **Agent**，那麼 **Agent 負責決定調用哪個工具**，這一決策基於其推理能力。當 Agent 選擇了某個工具後，工作流會跳轉到對應的 “工具節點”（Tool Node），以執行該工具的操作。在 Agent 和工具節點之間的邊可以包含條件邏輯（Conditional Logic），從而**增加額外的判斷邏輯，以決定是否執行某個工具**。這樣，開發者可以擁有更精細的控制能力。如果圖中沒有 Agent，那麼工具的調用方式類似於 LangChain 的鏈，即**根據預定義的條件邏輯在工作流中執行工具**。

包含 Agent 的圖流程示例：

沒有 Agent 的圖的流程示例：

**對話歷史和記憶  **

LangChain

LangChain 提供內置的抽象層來處理對話歷史和記憶。它支持不同粒度級別（granularity）的記憶管理，從而控制傳遞給 LLM 的 token 數量，主要包括以下幾種方式：

• 完整的會話歷史（Full session conversation history）
• 摘要版本的對話歷史（Summarized conversation history）
• 自定義定義的記憶（Custom defined memory）

此外，開發者還可以自定義長期記憶系統，將對話歷史存儲在外部數據庫中，並在需要時檢索相關記憶。

LangGraph

在 LangGraph 中，State（狀態）負責管理記憶，它通過記錄每個時刻定義的變量來跟蹤狀態信息。State 可以包括：

• 對話歷史

• 任務執行的各個步驟

• 語言模型上一次的輸出結果

• 其他重要信息

State 可以在節點之間傳遞，這樣每個節點都能獲取當前系統的狀態。然而，LangGraph 本身不提供跨會話的長期記憶功能，如果開發者需要持久化存儲記憶，可以引入特定的節點，用於將記憶和變量存入外部數據庫，以便後續檢索。

**開箱即用的 RAG 能力  **

LangChain

LangChain 原生支持複雜的 RAG 工作流，並提供了一套成熟的工具，方便開發者將 RAG 集成到應用程序中。例如，它提供了：

• 文檔加載（Document Loading）
• 文本解析（Text Parsing）
• Embedding 生成（Embedding Creation）
• 向量存儲（Vector Storage）
• 檢索能力（Retrieval Capabilities）

開發者可以直接使用 LangChain 提供的 API（如 langchain.document_loaders、langchain.embeddings 和 langchain.vectorstores）來實現 RAG 工作流。

LangGraph

在 LangGraph 中，RAG 需要開發者自行設計，並作爲圖結構的一部分實現。例如，開發者可以創建單獨的節點，分別用於：

• 文檔解析（Document Parsing）

• Embedding 計算（Embedding Computation）

• 語義檢索（Retrieval）

這些節點之間可以通過普通邊（Normal Edges）或條件邊（Conditional Edges）進行連接，而各個節點的狀態可以用於****傳遞信息，以便在 RAG 流水線的不同步驟之間共享數據。

**並行處理（Parallelism）  **

LangChain

LangChain 允許並行執行多個鏈或 Agent，可以使用 RunnableParallel 類來實現基本的並行處理。

但如果需要更高級的並行計算或異步工具調用，開發者需要**使用 Python 庫（**如 asyncio）自行實現。

LangGraph

LangGraph 天然支持並行執行節點，只要這些節點之間沒有依賴關係（例如，一個 LLM 的輸出不能作爲下一個節點的輸入）。這意味着多個 Agent 可以同時運行，前提是它們不是相互依賴的節點。

此外，LangGraph 也支持：

• 使用 RunnableParallel 運行多個 Graph
• 通過 Python 的 asyncio 庫並行調用工具

**重試邏輯和錯誤處理  **

LangChain

LangChain 的錯誤處理需要由開發者顯式定義，可以通過：

• 在鏈中引入重試邏輯（Retry Logic）

• 在 Agent 中處理工具調用失敗的情況

LangGraph

LangGraph 可以直接在工作流中嵌入錯誤處理邏輯，方法是將錯誤處理作爲一個獨立的節點。

• 當某個任務失敗時，可以跳轉到另一個錯誤處理節點，或者在當前節點進行重試。

• 失敗的節點會被單獨重試，而不是整個工作流重新執行。

• 這樣，圖可以從失敗的地方繼續執行，而不需要從頭開始。

如果你的任務涉及多個步驟和工具調用，這種錯誤處理機制可能會非常重要。

**總之  **

你可以：
✅ 僅使用 LangChain
✅ 僅使用 LangGraph
✅ 同時使用 LangChain 和 LangGraph

此外，你也可以將 LangGraph 的圖結構編排能力與其他 Agent 框架（如微軟的 AutoGen）結合，例如：將 AutoGen 的 Agent 作爲 LangGraph 的節點

LangChain 和 LangGraph 各有優勢，選擇合適的工具可能會讓人感到困惑。

那麼，應該在什麼情況下使用？

僅使用 LangChain：

✅ 你需要快速構建 AI 工作流，例如：

• 線性任務（Linear Tasks）：文檔檢索、文本生成、摘要等預定義的工作流

• AI Agent 需要動態決策，但你不需要對複雜流程進行精細控制

僅使用 LangGraph：

✅ 你的應用場景需要非線性（Non-linear）工作流，例如：

• 任務涉及多個組件的動態交互

• 需要條件判斷、複雜的分支邏輯、錯誤處理或並行執行

• 你願意自行實現 LangChain 未提供的部分功能

同時使用 LangChain 和 LangGraph：

✅ 你希望：

• 利用 LangChain 現成的抽象能力（如 RAG 組件、對話記憶等）

• 同時使用 LangGraph 的非線性編排能力

兩者結合，可以充分發揮各自的優勢，打造更加靈活和強大的 AI 工作流。

https://towardsdatascience.com/ai-agent-workflows-a-complete-guide-on-whether-to-build-with-langgraph-or-langchain-117025509fa0/

本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/cB5LJitb1M5jmnDhcNmOQA