LangChain VS LangGraph

原创

已于 2026-01-19 15:21:39 修改 · 1.5k 阅读

于 2026-01-19 15:14:05 首次发布

LangChain 和 LangGraph 是紧密相关的两个项目，但定位和功能有本质区别。下面用清晰、结构化的方式为你解析它们的异同，特别适合 Java/Python 工程师快速掌握核心差异。

LangChain 是构建 LLM 应用的基础框架（如 RAG、Tool Calling），
LangGraph 是 LangChain 的扩展模块，专门用于构建「带状态、可循环、多步骤」的 Agent 工作流。

你可以把它们理解为：

特性	LangChain	LangGraph
定位	通用 LLM 应用开发框架	LangChain 的子项目，用于构建复杂 Agent 流程
主要用途	RAG、Function Calling、Memory 管理	多步骤、带状态、可循环的 Agent 编排
是否独立	✅ 是完整框架	❌ 必须依赖 LangChain
流程控制	线性执行（如：用户 → LLM → Tool → 回复）	✅ 支持条件分支、循环、人工干预
状态管理	无显式状态（靠上下文传递）	✅ 显式定义 State（状态）并在节点间流转
典型场景	聊天机器人、知识问答	审批流、研究→写作→审核、带反馈的 Agent
可视化	通过 LangSmith 查看 trace	✅ 可在 LangSmith 中可视化状态图
学习曲线	中等（需理解 Chain/Agent）	较高（需理解 State Machine）

# LangChain 典型 Agent（线性）
agent = create_react_agent(llm, tools, prompt)
agent.run("北京天气？"

标签

#langchain