LangChain是2023年推出的LLM应用开发框架，迅速成为AI开发者的标配工具。2024年推出的LangGraph进一步扩展了其能力，成为构建复杂AI Agent的首选方案。
LangChain核心概念
- Chain（链）：将多个步骤串联（Prompt → LLM → 输出解析）
- Agent：自主决策的LLM，能选择工具和执行计划
- Tool：LLM可调用的外部功能（搜索、计算、API）
- Memory：对话历史管理
- Retriever：文档检索（RAG的基础组件）
LangGraph
- 基于状态图的工作流引擎
- 支持循环、条件分支、并行执行
- 适合构建多步骤、多Agent协作的复杂系统
- 可视化工作流，便于调试和优化
典型用例
# LangChain: 简单的RAG问答
from langchain.chains import RetrievalQA
qa = RetrievalQA.from_chain_type(llm, retriever=vectorstore.as_retriever())
answer = qa.run("公司今年的营收是多少？")# LangGraph: 多步骤Agent
# 1. 分析问题 → 2. 检索文档 → 3. 生成回答 → 4. 验证 → 5. 如果不满意，回到步骤2
2026年生态
- LangChain v0.3（稳定版）
- LangGraph成为Agent开发的标准框架
- LangSmith（监控和调试平台）
- 与MCP协议无缝集成
争议
- 有人认为LangChain过度抽象，增加复杂度
- 简单任务直接用OpenAI SDK可能更高效
- 但对复杂Agent系统，LangGraph的抽象价值巨大
建议
简单任务不用LangChain，复杂Agent必用LangGraph。