1. LangGraph与LangChain的本质差异
在LangChain生态中,这两个框架就像汽车制造厂的不同部门。LangChain好比是零部件仓库,存放着发动机(LLM调用)、变速箱(数据处理器)、方向盘(工具集成)等各种标准件;而LangGraph则是总装车间的工艺设计室,负责确定这些零件如何协同工作,特别是当需要处理复杂装配流程时。
1.1 架构设计哲学对比
LangChain采用"链条式"设计,如同传统的流水线生产:
- 每个Chain节点像是一个工位,完成特定加工后传递给下个工位
- 典型场景如:文本输入→向量查询→LLM处理→结果输出
- 缺陷在于:当需要根据中间结果决定不同加工路径时,需要手动搭建分支逻辑
LangGraph则采用"状态图"模型,更像现代柔性生产线:
python复制class StateGraph:
def __init__(self):
self.nodes = {} # 装配工序库
self.edges = {} # 工序转移规则
self.state_type = None # 在制品状态定义
这种设计允许:
- 动态路径选择:根据当前"产品状态"决定下一道工序
- 循环处理:某些工序可能需要多次加工(如质量检测不通过时返工)
- 并行作业:多个工序可同时访问共享的工件状态
1.2 状态管理机制解析
传统Chain架构的状态传递如同接力赛:
- 每个环节处理完后将结果打包交给下一环节
- 需要开发者显式管理上下文传递
- 示例代码:
python复制# LangChain典型用法
chain = LLMChain(llm=llm, prompt=prompt)
result1 = chain.run(input1) # 第一棒
result2 = next_chain.run(result1) # 手动传递结果
StateGraph的状态管理则像共享白板:
python复制from langgraph.graph import StateGraph
# 定义全局状态结构
from typing import TypedDict, List
class AgentState(TypedDict):
input: str
tools_used: List[str]
history: List[str]
# 所有节点都能读写这个共享状态
def node_function(state: AgentState):
state["history"].append("processed by node1")
return {"history": state["history"]}
这种设计的优势在于:
- 任何节点都能获取完
