跳到主要内容

LangChain and LangGraph

· 阅读需 4 分钟

一、核心定位对比​

维度LangChainLangGraph
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_parser
    result = 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LangChainLangGraph
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)1218
平均延迟 (ms)450320
错误恢复时间 (ms)1200400
内存占用 (GB)1.21.8

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LangChainLangGraph
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​

  1. 保持现有Chain作为原子节点
  2. 用LangGraph编排复杂流程
  3. 逐步实现状态感知逻辑

九、未来演进预测​

  1. LangChain定位:

    • 继续作为LLM集成标准库
    • 发展更丰富的预制工具链
  2. 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)