LangChain与LangGraph开发ai智能体有啥不同区别？

这是一个非常经典的问题。简单来说，LangChain 是“地基和组件”，而 LangGraph 是基于这些组件构建的“高级架构图”。

如果你只需要一条直线走到底的任务，用 LangChain；如果你需要循环、纠错、复杂的判断跳转（即智能体 Agent），用 LangGraph。

以下是详细的对比和使用指南：

一、 核心区别：直线 vs. 循环

一句话总结：

LangChain 适合：先把大象放进冰箱（打开门 -> 放进去 -> 关门）。

LangGraph 适合：先把大象放进冰箱，如果冰箱满了，就拿出来整理一下再试，或者换个冰箱（观察 -> 思考 -> 行动 -> 观察...）。

二、 为什么 LangChain 官方要推 LangGraph？

在 LangChain 早期，有一个叫 AgentExecutor 的东西用来做智能体。但它是一个“黑盒”，很难定制。比如：你想让 AI 在重试 3 次失败后人工介入，用 AgentExecutor 很难写。

LangGraph 就是为了解决“定制化 Agent”而生的。 它把控制权交还给开发者，让你明确定义：

有哪些节点（Nodes）？

节点之间怎么流转（Edges）？

什么时候循环？什么时候结束？

三、 怎么用？（代码实战对比）

假设我们要实现一个简单的功能：模型生成内容，如果太短，就要求它重写。

用 LangChain 实现“循环重写”非常别扭，通常只能硬写几层，或者写递归函数。这里展示最擅长的线性链：

# LangChain: 线性流水线
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser

model = ChatOpenAI(model="gpt-4o")
prompt = ChatPromptTemplate.from_template("讲一个关于{topic}的笑话")

# 就像插积木一样串...

点击查看剩余70%