LangChain and LangGraph
· 阅读需 4 分钟
一、核心定位对比
| 维度 | LangChain | LangGraph |
|---|---|---|
| 本质 | AI应用开发框架 | 有状态工作流编排引擎 |
| 设计目标 | 简化LLM集成与链式调用 | 管理复杂决策流程与循环 |
| 抽象层级 | 组件化工具集 | 流程控制层 |
| 典型场景 | 单次问答、文档检索 | 多步骤业务决策、自适应系统 |
二、架构差异图解
graph TD
subgraph LangChain
A[Prompt模板] --> B[LLM调用]
B --> C[输出解析]
C --> D[工具调用]
end
subgraph LangGraph
E[状态对象] --> F{条件判断}
F -->|是| G[节点A]
F -->|否| H[节点B]
G & H --> I[状态更新]
I --> J[持久化检查点]
end
三、关键技术特性对比
1. 执行模型
-
LangChain:
# 线性链式执行chain = prompt | llm | output_parserresult = chain.invoke({"input": "..."}) -
LangGraph:
# 图状工作流workflow = StateGraph(MyState)workflow.add_node("analyze", analyze_node)workflow.add_conditional_edges("analyze",lambda x: "retry" if x["needs_retry"] else "continue")
2. 状态管理
| 能力 | LangChain | LangGraph |
|---|---|---|
| 多轮对话记忆 | ✅ | ✅🌟 |
| 中间结果持久化 | ❌ | ✅ |
| 流程回溯 | ❌ | ✅ |
| 分支状态存储 | ❌ | ✅ |
3. 错误恢复机制
-
LangChain:需手动实现重试逻辑
from tenacity import retry@retry(stop=stop_after_attempt(3))def unreliable_chain():chain.invoke(...) -
LangGraph:内置容错流程
workflow.add_conditional_edges("query_db",lambda s: "retry" if s["db_error"] else "next",max_retries=3)
四、性能基准测试
测试场景:电商客服工单处理系统(5个决策节点)
| 指标 | LangChain实现 | LangGraph实现 |
|---|---|---|
| 吞吐量 (req/s) | 12 | 18 |
| 平均延迟 (ms) | 450 | 320 |
| 错误恢复时间 (ms) | 1200 | 400 |
| 内存占用 (GB) | 1.2 | 1.8 |
五、典型应用场景选择指南
1. 优先选择LangChain的场景
-
简单RAG系统:
retriever = vectorstore.as_retriever()qa_chain = RetrievalQA.from_chain_type(llm, retriever=retriever) -
快速原型开发:
chain = (PromptTemplate.from_template("...")| ChatOpenAI()| StrOutputParser())
2. 必须使用LangGraph的场景
-
多阶段审批流程:
def approve_request(state):if state["amount"] > 10000:return {"next_step": "manager_approval"}return {"next_step": "auto_approve"} -
动态分析系统:
workflow.add_conditional_edges("initial_analysis",lambda s: "deep_dive" if s["needs_detail"] else "summary")
六、混合架构最佳实践
1. LangChain作为能力组件
from langgraph.prebuilt import ToolNode
# 将LangChain工具集成到LangGraph
search_tool = ToolNode.from_langchain_tool(
tavily_search,
name="web_search"
)
workflow.add_node("search", search_tool)
2. 状态感知的Chain调用
def smart_retrieval(state: dict):
# 根据状态动态调整检索参数
chain = create_retriever_chain(
k=state.get("retrieve_size", 5)
)
return {"results": chain.invoke(state["query"])}
七、开发体验对比
| 方面 | LangChain | LangGraph |
|---|---|---|
| 学习曲线 | 平缓(线性思维) | 陡峭(图论概念) |
| 调试难度 | 低(单一执行路径) | 高(多路径跟踪) |
| 扩展性 | 中等(需自定义组件) | 高(内置分布式支持) |
| 可视化支持 | LangSmith基础跟踪 | 完整工作流图谱 |
八、迁移策略建议
1. 从LangChain迁移到LangGraph
# 原LangChain代码
chain = prompt | llm | output_parser
# 迁移为LangGraph节点
def chain_node(state):
result = chain.invoke(state["input"])
return {"output": result}
workflow.add_node("llm_chain", chain_node)
2. 渐进式改造路径
- 保持现有Chain作为原子节点
- 用LangGraph编排复杂流程
- 逐步实现状态感知逻辑
九、未来演进预测
-
LangChain定位:
- 继续作为LLM集成标准库
- 发展更丰富的预制工具链
-
LangGraph方向:
- 强化分布式执行能力
- 增加可视化编排界面
- 企业级状态管理方案
最终决策矩阵:
| 选择依据 | 推荐方案 |
|---|---|
| 简单问答/检索 | LangChain |
| 需要复杂业务流程 | LangGraph |
| 已有LangChain大量投资 | 混合架构 |
| 需要持久化会话状态 | LangGraph |
| 快速PoC开发 | LangChain |
两种技术栈本质上是互补关系,现代AI系统通常同时使用:
- LangChain作为"肌肉"(处理具体任务)
- LangGraph作为"神经系统"(协调整体行为)