← 返回首页

langchain和langgraph的区别

发布时间: 2026-05-20
出自: 字节飞书后端一面

LangChain 和 LangGraph 并不是非此即彼的竞争关系，而是分工明确、相互补充的“组件”与“编排”关系。

简单来说，LangChain 是大模型应用开发的“工具箱”，提供了各种基础零件；而 LangGraph 是复杂 AI 智能体（Agent）的“交通指挥系统”，负责指挥这些零件按复杂的逻辑协同工作。

为了更直观地理解，我们可以通过以下几个维度进行对比：

维度 LangChain LangGraph
核心定位 组件层 / 应用开发工具包 编排层 / 状态机运行时
执行模型 线性流水线（A→B→C），单向流动 有向循环图，支持分支、循环、回退
状态管理 无状态或需手动维护上下文 原生有状态，全局共享并自动更新
擅长场景 简单 RAG、文本总结、单轮问答 复杂 Agent、多智能体协作、长流程任务

LangChain：提供“能力组件”

LangChain 的核心价值在于解决 LLM 应用中的“组合复杂度”问题。它封装了大量开箱即用的组件，让你能像搭积木一样快速构建应用：

  • 对接模型：统一的接口调用 OpenAI、Anthropic、Qwen 等各种大模型。
  • 构造提示词：通过 Prompt Template 结构化地管理提示词。
  • 连接外部数据：通过 Retriever 和 Tool 轻松实现 RAG（检索增强生成）和工具调用。
  • 线性执行：通过 LCEL（链式调用）将上述组件按顺序串联起来，非常适合处理一次性、流程固定的任务（如：文档翻译、简单的知识库问答）。

LangGraph：负责“流程控制”

当你的 AI 应用不再是“一条直线”，而是需要根据情况“拐弯”或“绕圈”时，LangChain 的线性链就会显得力不从心。LangGraph 正是为了解决复杂、有状态、多步骤的 AI 工作流而生的。

  • 循环与分支：支持“思考→行动→观察→再思考”的闭环逻辑。例如，代码生成报错后，可以自动跳回上一步重新生成，而不是直接报错结束。
  • 全局状态管理：维护一个中央状态对象（State），图中的每个节点都可以读取和修改这个共享状态，非常适合长周期的任务。
  • 高级特性：原生支持人工介入（Human-in-the-Loop，在敏感操作前暂停等待人工审批）、断点续跑（任务中断后可从断点恢复）以及多智能体协作。

实际开发中如何选择？

在实际的生产环境中，这两者通常是组合使用的：

  • 用 LangChain 做“砖瓦”：在 LangGraph 的每一个节点（Node）内部，你依然会大量使用 LangChain 的模型接口、提示词模板、检索器等组件来处理具体业务。
  • 用 LangGraph 做“蓝图”：用 LangGraph 来定义这些节点之间的流转逻辑、条件判断和状态更新。

总结建议：

  • 如果你只是想快速做一个简单的 RAG 问答机器人、文本摘要工具或翻译脚本，直接用 LangChain 即可，开发效率极高。
  • 如果你需要构建一个能自主规划、多轮迭代、甚至需要人工审核的复杂 AI 智能体（Agent），或者需要多个 AI 角色互相配合，那么必须使用 LangGraph 来进行编排。