LangChain 与 LangGraph双生框架协同构建AI应用_langchain和langgraph-优快云博客

本文链接：https://blog.youkuaiyun.com/neweastsun/article/details/145909700

LangChain 和 LangGraph 是两个围绕语言模型（LLM）设计的开源框架，但聚焦于不同的核心目标。LangChain 由 Hugging Face 开发，旨在通过模块化组件链式组合（如 LLM、API、数据库）简化复杂工作流的构建，适合单次任务自动化场景（如数据处理、报告生成）。而 LangGraph 由 Stability AI 推出，专注于多轮对话的状态管理与流程建模，通过有向无环图（DAG）支持动态决策和上下文持久化，适用于客服、医疗问诊等需要长期交互的场景。

两者的协同价值显著：LangChain 可作为 LangGraph 的底层执行引擎，实现具体逻辑（如调用 LLM 或 API），而 LangGraph 则为 LangChain 提供对话状态管理能力，增强多轮交互支持。开发者需根据需求选择框架——简单自动化任务选 LangChain，复杂多轮对话系统选 LangGraph，混合场景则可结合二者优势。未来，LangChain 或向通用 AI Agent 框架演进，LangGraph 则可能强化实时事件驱动能力。

一、框架背景与开发动机

下面分别介绍LangChain 和 LangGraph ，包含背景、定义、目标、技术细节和完整代码示例，内容更加丰富且贴近实际场景。

LangChain

背景：
由 Hugging Face 团队于 2023 年开源，目标是解决复杂 AI 应用的模块化构建难题。随着 LLM 的普及，开发者需要将 LLM 与数据库、API、文件系统等组件无缝集成，但传统方法往往需要重复造轮子。
开发动机：
提供一套标准化接口（如 Chain、Runnable），让开发者能够像搭积木一样组合工具链，降低开发复杂度。

LangGraph

背景：
由 Stability AI 团队（ChatGPT 开发方）于 2023 年推出，专注于对话系统的状态管理和流程建模。传统 LLM 在多轮对话中容易丢失上下文，导致逻辑断裂。
开发动机：
通过图结构建模对话流程，确保长期上下文的连贯性，支持动态调整任务路径（如用户中途改变需求）。

二、详细定义与核心目标

LangChain

定义：
模块化 AI 工程框架，提供标准化的组件接口（Runnable），支持将 LLM、外部服务、文件系统等组件链式组合，构建端到端的应用。
核心目标：
- 简化复杂工作流：例如自动从 PDF 提取数据 → LLM 分析 → 生成报告。
- 复用现有工具：无需从头实现组件，直接集成开源库或 SaaS API。

LangGraph

定义：
基于图的对话管理框架，通过有向无环图（DAG）建模多轮对话的逻辑节点和状态转移，支持动态决策和上下文持久化。
核心目标：
- 解决上下文丢失问题：确保对话系统在多轮交互中保持一致性。
- 灵活的任务编排：根据用户输入动态切换流程分支（如医疗问诊的分诊路径）。
技术对比（补充细节）**

维度	LangChain	LangGraph
核心抽象	`Chain`（链式组合）、`Runnable`（可执行单元）	`Node`（图节点）、`Edge`（状态转移边）、`State`（全局对话状态）
状态管理	仅传递单次调用上下文（如 LLM 的 `prompt` 和 `output`）	维护全局状态（如用户历史记录、流程执行进度）
执行模式	线性执行链式任务（A→B→C），支持并行调用（如多 API 并发请求）	支持条件分支、循环、子图嵌套，可动态修改流程图结构（热更新）
调试与监控	提供链式调用的日志追踪和错误捕获	可视化流程图界面，实时监控节点执行状态和状态变化

三、实际场景案例实战

LangChain 示例：电商推荐系统

场景

用户输入商品关键词 → LLM 解析需求 → 调用数据库获取商品列表 → 根据用户评分生成推荐结果。

完整代码

from langchain import load_llm, Runnable, Chain
from langchain.tools import database_tool  # 假设已定义数据库工具

# 1. 加载 LLM 模型
llm = load_llm("gpt-4o")

# 2. 定义数据库查询工具（模拟）
class ProductDatabaseTool:
    def __init__(self):
        self.db = {
            "电子产品": [{"id": 1, "name": "iPhone 15", "rating": 4.8}, {"id": 2, "name": "MacBook Pro", "rating": 4.7}],
            "服装": [{"id": 3, "name": "T-Shirt", "rating": 4.5}]
        }
    
    def query_products(self, category: str) -> list:
        return self.db.get(category, [])

product_db = ProductDatabaseTool()

# 3. 构建链式流程
chain = (
    Runnable([llm, product_db.query_products])  # LLM 解析需求并调用数据库
    .add_link(  # 过滤高评分商品
        lambda x: [item for item in x if item["rating"] >= 4.6]
    )
    .add_link(  # 生成推荐理由
        lambda x: f"根据您的需求，推荐以下商品：{', '.join([item['name'] for item in x])}"
    )
)

# 4. 执行链
input_text = "我需要一台高性能的笔记本电脑"
result = chain.invoke(input_text)
print(result)  # 输出示例："根据您的需求，推荐以下商品：MacBook Pro"

LangGraph 示例：医疗问诊助手

场景

用户描述症状 → 系统分诊 → 根据病情严重程度调用专科知识库或转诊医生。

完整代码

from langgraph import Graph, Node, State
from langchain import load_llm, Runnable

# 1. 加载 LLM 模型
symptom_checker = load_llm("gpt-4o")

# 2. 定义分诊节点
class TriageNode(Node):
    def __init__(self):
        self.llm = symptom_checker
    
    def execute(self, state: State) -> dict:
        prompt = f"用户症状：{state['history'][-1]['text']}，需要分诊到哪个科室？"
        return {"category": self.llm.invoke(prompt)}

# 3. 定义专科咨询节点
class SpecialtyNode(Node):
    def __init__(self, specialty: str):
        self.llm = load_llm(f"gpt-4o-specialty-{specialty}")
    
    def execute(self, state: State) -> dict:
        prompt = f"用户症状：{state['history'][-1]['text']}，请提供专业建议。"
        return {"advice": self.llm.invoke(prompt)}

# 4. 构建流程图
graph = Graph()
graph.add_node(TriageNode())
graph.add_node(SpecialtyNode("general"), SpecialtyNode("cardiology"))
graph.add_edge("TriageNode", "SpecialtyNode", condition=lambda x: x["category"] == "general")
graph.add_edge("TriageNode", "SpecialtyNode", condition=lambda x: x["category"] == "cardiology")

# 5. 初始化状态并运行
initial_state = State(history=[{"role": "user", "text": "我胸口疼痛"}])
result = graph.execute(initial_state)
print(result["advice"])  # 输出示例："建议立即就诊心内科，可能存在心脏病风险。"

四、框架协同使用案例

场景

用户请求“帮我制定旅行计划”，系统需：

分析需求（城市、预算、天数）
调用天气 API 获取目的地天气
根据 LLM 建议生成行程
如果用户追问细节，保持上下文一致性。

混合代码示例

from langchain import load_llm, Runnable, Chain
from langgraph import Graph, Node, State

# LangChain 部分：构建行程生成链
llm = load_llm("gpt-4o")
weather_api = Runnable([lambda city: f"Weather in {city} is sunny."])

plan_chain = (
    Runnable([llm, weather_api])  # 解析需求 + 查询天气
    .add_link(lambda x: f"建议行程：第一天去{city}，天气晴朗，适合户外活动。")
)

# LangGraph 部分：集成多轮对话
class TravelAssistantNode(Node):
    def __init__(self):
        self.plan_chain = plan_chain
    
    def execute(self, state: State) -> dict:
        user_query = state["history"][-1]["text"]
        return {"plan": self.plan_chain.invoke(user_query)}

graph = Graph()
graph.add_node(TriageNode())  # 假设已有分诊节点
graph.add_node(TravelAssistantNode())
graph.add_edge("TriageNode", "TravelAssistantNode", condition=lambda x: x["category"] == "travel")

# 执行混合流程
initial_state = State(history=[{"role": "user", "text": "制定巴黎5天旅行计划"}])
final_result = graph.execute(initial_state)
print(final_result["plan"])  # 输出示例："建议行程：第一天去巴黎，天气晴朗，适合户外活动。"

选择框架的关键考量

需求场景	推荐框架	理由
单次任务自动化（数据清洗、报告生成）	LangChain	模块化组合工具链，快速实现端到端流程
多轮对话系统（客服、医疗问诊）	LangGraph	管理上下文状态，支持动态流程调整
需要同时处理单任务+多轮交互	混合使用两者	LangChain 负责执行逻辑，LangGraph 维护对话状态

示例应用增强

LangChain：
- 集成 Vector Databases（如 Pinecone），支持语义搜索增强检索能力。
- 推出 Agent 模板库（如“代码助手”、“数据分析员”），加速通用 AI Agent 开发。
LangGraph：
- 增强 实时事件驱动支持（如实时传感器数据接入）。
- 开发 可视化流程设计器，降低非技术人员的使用门槛。

通过以上深入解析，开发者可以根据具体需求灵活选择或组合这两个框架，构建下一代智能应用。

五、最后总结

LangChain 和 LangGraph 分别解决了 AI 开发中的两大痛点：模块化集成与多轮对话管理。前者通过标准化接口简化工具链组合，后者通过图结构建模确保对话连贯性。二者的技术差异体现在架构设计（链式 vs. 图状）、状态管理方式（单次传递 vs. 全局维护）和适用场景（单任务流程 vs. 多轮交互）。实际开发中，开发者可根据需求单独使用或混合集成，例如用 LangChain 构建行程规划工具链，再通过 LangGraph 实现用户追问时的上下文延续。这一互补关系为构建下一代智能应用提供了灵活的技术基础。