系列文章目录
第一篇 LangChain + DeepSeek 实战
第二篇 LangChain与Embeddings技术:构建高效RAG系统的核心组件
大家好我是太阳鸟,前面学习了两篇 LangChain 的实战文章,基本上可以用 LangChain 做一个基础的 RAG 系统了。但是对于编排智能体还是没有了解到,今天分享一下 LangGraph 编排式的工作流框架 —— LangGraph。

LangGraph 和 LangChain 都是用于构建大语言模型(LLM)应用的工具,但它们的设计目标和功能层次有显著区别。以下是两者的详细对比:
1. 核心定位差异
| LangChain | LangGraph | |
|---|---|---|
| 主要目的 | 提供构建LLM应用的标准化组件和链式流程 | 专门用于构建复杂、有状态的LLM工作流 |
| 抽象级别 | 高级API,简化常见任务 | 低级控制,灵活编排复杂逻辑 |
| 典型用例 | 快速搭建RAG、简单对话系统 | 多角色协作、复杂决策流程 |
2. 架构设计对比
LangChain:
- 基于"链(Chain)"的概念
- 线性执行:A → B → C
- 内置标准化组件:
chain = prompt | llm | output_parser
LangGraph:
- 基于"图(Graph)"的概念
- 支持任意拓扑结构:

最低0.47元/天 解锁文章
6038

被折叠的 条评论
为什么被折叠?



