LangChain 与 LangGraph：大模型应用与智能体编排全解析
面向 LangChain 1.x 与 LangGraph 1.x：厘清二者定位与差异，给出企业级组合实践
摘要
大模型应用开发已经从简单调用模型 API 的 Demo 阶段，走向组件化、可编排、高可靠的生产落地阶段。LangChain 与 LangGraph 承担着不同层级的职责：LangChain 提供模型、提示词、检索、工具等基础组件能力，LangGraph 专注复杂有状态智能体工作流编排，二者互补协同。本文从五层技术栈、四大核心基石、企业级工程落地到技术选型决策树，系统解析两大框架的定位差异与企业级组合实践。
引言：两套框架，两个层级
大模型应用开发已经从简单调用模型 API 的 Demo 阶段，走向组件化、可编排、高可靠的生产落地阶段。LangChain 与 LangGraph 作为生态内的核心开源框架，承担着不同层级的职责：LangChain 提供模型、提示词、检索、工具等基础组件能力，LangGraph 专注复杂有状态智能体工作流编排。二者并非替代关系，而是互补协同，共同支撑从简单 RAG 问答到多智能体复杂系统的全场景开发。随着 1.0 版本正式发布，接口趋于稳定，已经成为企业构建大模型应用的主流技术栈。
很多开发者容易混淆两者边界：LangChain 解决“用哪些能力去做”，LangGraph 解决“这些能力如何有序协同运行”。简单线性任务可以只用 LangChain；涉及循环推理、动态分支、状态持久化、人工介入、多智能体协作时，则必须引入 LangGraph。
一、LangChain：大模型应用的组件化底座
LangChain 的核心设计思想是组件化、可插拔、编排优先，将大模型应用的各类能力拆解为独立可替换组件，通过统一抽象接口完成组装，快速搭建对话、RAG、工具调用等各类应用。
1.1 五层技术栈架构
教材中将 LangChain 整体归纳为五层技术栈，完整覆盖大模型应用全链路：
模型层
统一封装 LLM、Chat Model、Embedding 嵌入模型，屏蔽各家大模型厂商 API 差异，统一提供同步、异步、流式、批量调用能力。三类模型接口需要做好区分：LLM 面向文本补全；Chat Model 面向多角色对话、工具调用，是当前主流；Embedding 模型完成文本向量化，用于检索、聚类场景。
核心原语层
提示模板、输出解析器、文档处理器、记忆、工具等基础能力单元。提示工程：提供字符串模板、对话模板、少样本模板、流水线模板，实现提示词与业务代码解耦；输出解析器：把模型非结构化输出转换为可被程序消费的结构化数据，包含 PydanticOutputParser、JsonOutputParser、容错修复类解析器，1.x 版本更推荐使用模型原生 with_structured_output 结构化输出能力；文档处理：完整的文档加载、文本切分能力，支撑 RAG 知识库构建；工具调用：定义工具三要素 name、description、args_schema，让大模型具备调用外部系统的能力。
编排层
以 LCEL（LangChain 表达式语言）为核心，基于 Runnable 统一抽象，通过管道符 | 串联组件。所有组件（提示、模型、解析器、工具）均实现 Runnable 接口，统一支持 invoke 同步、ainvoke 异步、stream 流式、batch 批量调用；同时支持并行执行、条件分支、降级容错等原语。早期面向对象的传统 Chain 如 LLMChain、RetrievalQA 等已经迁移至 langchain-classic 包，新项目优先使用 LCEL 组合式开发。
应用层
基于上层组件封装场景化方案，RAG 检索增强生成、对话系统、简单 Agent 都属于这一层。其中 RAG 是落地最广泛场景，完整链路包含文档加载、文本切分、向量存储、多策略检索、答案生成，通过查询改写、混合检索、重排序等高级技术提升回答质量。
可观测层
依托 LangSmith 完成链路追踪、数据集管理、自动化评估、提示词版本管理，解决大模型应用“黑盒”痛点。
1.2 Memory 记忆体系：解决大模型无状态问题
大模型本身无状态，记忆组件用来维护会话上下文。LangChain 把记忆划分为三层：
工作记忆
位于模型上下文窗口，推理时直接生效，受 Token 长度严格限制；
短时记忆
会话级缓存，支撑单会话多轮交互；
长时记忆
跨会话持久化存储用户画像、历史交互，理论容量无限。
记忆体系的版本变动：不再推荐传统 Memory
版本提示：ConversationBufferMemory 等传统记忆类在 1.0 版本已经移出主包。当项目走向复杂智能体场景，官方不再推荐传统 Memory，优先采用 LangGraph 的 Checkpointer 做会话短时记忆，搭配 BaseStore 实现跨会话长时记忆。
1.3 LangChain 的能力边界
LCEL 非常适合线性、确定、无循环的业务流程：单轮 RAG 问答、简单文档处理流水线、标准化单轮任务。
它的短板同样明显：原生不支持循环迭代；条件路由只能在构建期预定义，运行时不能动态改变流向；缺少全局统一状态，状态需要在组件之间手动传递；没有原生持久化、中断恢复、人机交互能力。当业务需要 Agent 自主循环推理、动态分支流转，单纯依靠 LangChain Chain 就会遇到瓶颈，这正是 LangGraph 诞生的背景。
二、LangGraph：面向智能体的图编排运行时
LangGraph 不是替代 LangChain，而是基于 LangChain 各类组件，提供一套有向图 + 全局状态的编排运行时，专门解决复杂智能体、长流程业务的编排难题，执行模型借鉴 Pregel 超步 BSP 模型。
2.1 四大核心基石
LangGraph 整个体系建立在四个核心概念之上：
State 全局状态
图唯一数据载体，所有节点之间不直接传参，全部读写全局状态。节点不会直接修改原始状态，只返回增量更新，框架依靠 Reducer 合并更新。支持 TypedDict 轻量字典、Pydantic 模型、内置 MessagesState 对话专用状态；Reducer 可以自定义列表追加、数值聚合、冲突合并逻辑，是状态管理的核心机制。
Node 节点
业务执行单元，接收状态，执行业务逻辑，返回状态增量更新。分为普通业务节点、内置 ToolNode 工具执行节点；节点可以通过 Command(goto=...) 实现动态跳转。
Edge 边
定义节点流向。普通边代表固定跳转；条件边 Conditional Edge 是灵活性核心，读取状态，运行时动态选择下一个节点，以此实现循环、分支、意图路由。
START / END
虚拟入口与虚拟终点，START 标记流程起点，到达 END 代表流程终止。
2.2 核心关键能力
Checkpointer 状态持久化
每一步执行完成保存状态快照，实现三大能力：断点续跑（程序异常、人工暂停后从断点继续执行，不用从头跑）、时间旅行（回溯历史状态调试重跑）、状态审计。开发测试用 MemorySaver，单机生产使用 SqliteSaver，分布式企业环境选择 PostgresSaver。
Human-in-the-Loop 人机介入
支持静态中断点、动态条件中断，流程可以在任意节点暂停，人工编辑状态、审批高危操作，确认之后恢复执行，补齐 AI 能力边界，是生产环境风控的重要手段。
丰富执行模式
invoke 同步、ainvoke 异步、stream 流式输出、batch 批量执行；配置 recursion_limit 最大超步数，防止智能体死循环。
单智能体与多智能体原生编排
单智能体经典模式：ReAct 推理行动交替、ReWOO 一次性规划并行执行、Plan-Execute 规划执行分离、Reflexion 反思迭代，适配不同复杂度任务；多智能体四大模式：顺序流水线、分层监督 Supervisor-Worker（企业最常用）、对等协商辩论模式、工具共享协作模式，支撑专业分工的大型智能体系统。
2.3 LangGraph 与 LangChain Chain 核心对比
| 对比维度 | LangChain Chain（LCEL） | LangGraph |
|---|---|---|
| 执行模型 | 线性单向流水线，DAG 无循环 | 有向状态机，支持循环、回环、动态跳转 |
| 状态管理 | 状态链式传递，无全局统一状态 | 全局 State，Reducer 自动合并增量更新 |
| 流程灵活性 | 流程预定义，运行时难以动态变更 | 条件边原生支持运行时分支、循环迭代 |
| 持久化能力 | 无原生支持，需要自行开发 | Checkpointer 开箱即用，断点续跑、状态快照 |
| 人机交互 | 需要大量自定义开发 | 原生中断、人工介入一等公民 |
| 多智能体 | 实现困难，耦合度高 | 原生支持多种多智能体协作架构 |
| 学习曲线 | 平缓，上手简单 | 较陡峭，需要理解状态机思想 |
| 适用场景 | 简单 RAG、单轮任务、线性标准化流程 | Agent 智能体、多智能体、循环推理、长业务流程、人工审批场景 |
补充辨析：Memory vs State
LangChain Memory 只聚焦对话历史；LangGraph State 是全流程任意结构化数据载体，对话消息、中间计算结果、元数据全部可以存放，能力范围远大于传统 Memory，并且原生支持持久化。
三、企业级工程落地实践
框架只是工具，生产环境落地需要兼顾性能、可靠性、安全、可观测，LangChain + LangGraph 项目需要关注以下工程要点。
3.1 可观测：LangSmith 全链路治理
LangSmith 作为官方配套平台，解决大模型应用黑盒问题，四大模块覆盖研发全生命周期：
Tracing 链路追踪
自动埋点采集每一个 LLM、工具、检索组件输入输出、耗时、Token 消耗，定位性能瓶颈与逻辑错误；
Datasets 数据集管理
维护测试黄金数据集，版本管理，支撑版本迭代对比；
Evaluation 自动化评估
离线批量评估、线上采样评估，支持 LLM-as-Judge 裁判模型、语义相似度等评估手段；
Prompt Hub 提示词仓库
提示词版本管理，提示词与代码解耦。
3.2 性能优化方向
Token 成本与速度
上下文压缩、三级缓存（模型输出缓存、嵌入缓存、检索缓存），按照任务选择最小够用模型；
并发吞吐
全异步开发、无依赖节点并行执行、连接池复用；
RAG 专项
合理文档切分，混合检索 + 重排序，查询改写优化召回质量；
LangGraph 专项
状态轻量化，不把非必要数据存入 State 避免状态膨胀；减少不必要大模型调用；控制循环迭代次数。
3.3 可靠性、容错与安全
容错
设置重试（指数退避）、单节点 + 全链路超时、降级熔断；recursion_limit + 超时双重防护防止 Agent 死循环；
安全
输入侧防范 Prompt 注入、敏感信息脱敏；输出侧幻觉校验、合规过滤；工具调用权限分级、高危工具沙箱执行、高危操作强制人工审批；全链路操作审计留痕。
3.4 高频踩坑总结
Token 溢出
长对话、检索内容过多超出窗口，采用滑动窗口 + 摘要压缩；
RAG 答非所问
优化切分策略、引入重排序、做查询改写；
Agent 无限循环
配置最大迭代次数，优化工具描述，增加明确终止条件；
状态膨胀
及时清理中间临时数据，冷热数据分离；
工具调用参数错误
参数强校验，优化工具描述，使用模型原生结构化输出。
四、技术选型决策树：什么时候用谁？
结合业务复杂度，给出选型判断原则：
优先只用 LangChain（LCEL）
业务流程简单、完全线性无循环；简单知识库 RAG 问答；快速原型验证；单轮任务处理。
优先选用 LangGraph
需要 Agent 自主工具调用循环；业务存在运行时动态分支判断；需要断点续跑、会话状态持久化；需要人工审批、人机介入；多智能体协同；长周期复杂业务流程。
企业主流混合模式（推荐）
基础组件全部复用 LangChain（模型、提示模板、文档加载、检索器、工具定义），流程编排交给 LangGraph。LangChain 的 create_agent 返回对象本身就是编译完成的 LangGraph 图，还可以直接作为子图嵌入更大的工作流，实现能力复用。
误区提醒：不是所有项目都要上 LangGraph
不是所有项目都要上 LangGraph。简单 RAG 强行使用 LangGraph 会增加不必要的复杂度；反过来复杂智能体硬写在 LCEL 中，会造成业务逻辑臃肿，后期维护代价极高。
五、总结与展望
LangChain 1.x 与 LangGraph 1.x 构建了一套分层完整的大模型开发体系：LangChain 负责“能力积木”，把模型、知识库、工具、提示词等基础能力标准化封装；LangGraph 负责“流程剧本”，用状态机图模型描述复杂智能体的执行流转，处理循环、分支、持久化、人工干预这些复杂编排问题。
大模型应用开发，不再只是调大模型写提示词。从原型走向生产，既要用好 LangChain 丰富的组件生态，做好 RAG、工具调用、提示工程；也要理解 LangGraph 状态-节点-边的编排思想，合理管控智能体的执行流程。同时配合 LangSmith 做观测评估，加上完整的性能、容错、安全设计，才可以真正构建稳定可用的企业级大模型与智能体系统。
配套学习资料
LangChain 与 LangGraph 技术学习资料（2026-09-22）
pdf本文配套的系统性学习资料，含完整技术栈梳理与要点归纳，支持页面内在线查看。
32 页421 KB仅供在线学习查看 · 不提供下载