LangChain与LangGraph：构建AI应用的模块化与工作流编排-AI智能范式网

LangChain与LangGraph：构建AI应用的模块化与工作流编排

银星皓月·2026-08-21·阅读 22 GEO检测（免费）

LangChainLangGraphLLM应用开发

|难度：普通|阅读约 12 分钟

1. LangChain与LangGraph技术概览

LangChain和LangGraph是当前AI应用开发领域的两大热门框架，它们为构建基于大语言模型(LLM)的应用程序提供了系统化的解决方案。LangChain更像是一个功能丰富的工具箱，而LangGraph则专注于构建复杂的多智能体工作流。

我在实际项目中发现，这两个框架经常被搭配使用——用LangChain处理基础任务，再用LangGraph编排复杂流程。这种组合方式在RAG(检索增强生成)系统中表现尤为出色。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 核心功能对比分析

2.1 LangChain的核心能力

LangChain主要提供以下关键功能：

模块化组件：包括文档加载器、文本分割器、向量存储等
链式调用：通过LCEL(LangChain Expression Language)组合多个步骤
记忆机制：支持对话历史管理
工具集成：可连接外部API和数据库

典型应用场景：

python复制from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

prompt = ChatPromptTemplate.from_template("告诉我关于{topic}的总结")
model = ChatOpenAI()
chain = prompt | model
response = chain.invoke({"topic": "量子计算"})

2.2 LangGraph的独特优势

LangGraph的核心特点是：

基于状态机的流程控制
循环和分支逻辑支持
多智能体协作框架
可视化工作流编排

基础使用示例：

python复制from langgraph.graph import Graph
from langchain_core.messages import HumanMessage

workflow = Graph()

def agent_node(state):
    # 处理逻辑
    return {"messages": [HumanMessage(content="处理完成")]}

workflow.add_node("agent", agent_node)
workflow.set_entry_point("agent")

3. 技术架构深度解析

3.1 LangChain的模块化设计

LangChain采用分层架构：

基础层：Schema和Models
中间层：Memory、Indexes等核心功能
应用层：Chains和Agents

这种设计使得开发者可以灵活选择所需组件。例如在构建知识库系统时，可以单独使用其文本处理模块：

python复制from langchain_text_splitters import RecursiveCharacterTextSplitter

splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50
)
documents = splitter.split_documents(raw_docs)

3.2 LangGraph的状态管理

LangGraph的核心是状态机模型，通过以下机制实现：

状态定义：使用TypedDict明确数据结构
节点：执行具体任务的函数
边：控制流程走向的条件

典型状态定义：

python复制from typing import TypedDict, List
from langchain_core.messages import BaseMessage

class AgentState(TypedDict):
    messages: List[BaseMessage]
    user_input: str

4. 实战应用指南

4.1 构建RAG系统的最佳实践

结合两个框架的RAG实现方案：

文档处理阶段使用LangChain：

python复制from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import FAISS

loader = WebBaseLoader("https://example.com")
docs = loader.load()
vectorstore = FAISS.from_documents(docs, embedding)

工作流编排使用LangGraph：

python复制def retrieve(state):
    # 检索逻辑
    return {"documents": relevant_docs}

def generate(state):
    # 生成逻辑
    return {"answer": final_response}

workflow = Graph()
workflow.add_node("retriever", retrieve)
workflow.add_node("generator", generate)
workflow.add_edge("retriever", "generator")

4.2 多智能体协作系统

LangGraph特别适合构建多角色协作系统：

python复制def researcher(state):
    # 研究逻辑
    return {"research": findings}

def writer(state):
    # 写作逻辑
    return {"draft": content}

workflow = Graph()
workflow.add_node("research", researcher)
workflow.add_node("writing", writer)
workflow.add_conditional_edges(
    "research",
    lambda x: "writing" if x["findings"] else "end"
)

5. 性能优化与调试技巧

5.1 常见性能瓶颈

文档处理阶段：注意chunk大小和重叠设置
向量检索：选择合适的索引类型(FAISS/HNSW)
LLM调用：合理设置temperature和max_tokens

5.2 调试工具推荐

LangSmith：官方提供的全链路追踪平台
Graph可视化：使用LangGraph的visualize方法
断点调试：在关键节点添加日志输出

调试示例：

python复制def debug_node(state):
    print(f"当前状态: {state}")
    # 处理逻辑
    return state

workflow.add_node("debug", debug_node)

6. 进阶应用场景

6.1 自动化工作流

结合外部工具实现自动化：

python复制from langchain_community.tools import Tool

def search_api(query):
    # 调用外部API
    return results

tool = Tool.from_function(
    name="search",
    description="搜索外部知识库",
    func=search_api
)

workflow.add_node("search", tool.run)

6.2 复杂决策系统

实现带条件分支的智能流程：

python复制def should_continue(state):
    return "continue" if state["needs_more_info"] else "end"

workflow.add_conditional_edges(
    "main_node",
    should_continue,
    {"continue": "research", "end": END}
)

在实际项目中，我发现这两个框架的组合特别适合构建需要多步骤决策的AI系统。比如在客户服务场景中，可以先通过LangChain处理常见问题，再用LangGraph编排需要人工介入的复杂流程。