IDEA 2021.3.2安装后第一件事：5分钟创建你的第一个Java项目（从Empty Project到运行HelloWorld）
2026/6/9 20:27:02
LangChain 与 LangGraph 深度对比：设计哲学、核心差异与选型指南
前言
在大语言模型应用开发领域，LangChain 和 LangGraph 是绕不开的两个名字。但开发者常常困惑：它们到底有什么区别？什么时候该用 LangChain，什么时候该用 LangGraph？更关键的是，它们是竞争对手还是互补工具？
本文将彻底厘清这两个框架的关系：LangChain 和 LangGraph 由同一家公司（LangChain Inc.）开发，并非竞争关系，而是同一生态中高低不同的抽象层级，前者是“乐高积木”，后者是“自动化控制系统”。我们将从设计哲学、核心组件、执行模型、状态管理到实战选型，展开系统对比。
一、核心定位与设计哲学
1.1 LangChain：高层抽象框架，快速构建 LLM 应用的“瑞士军刀”
LangChain 的核心价值在于将大语言模型交互流程标准化，通过预置的组件库（Chains/Agents/Tools）实现快速组装。其设计理念类似“乐高积木”——开发者通过组合现成的模块，快速搭建问答系统、聊天机器人、RAG 应用等。
LangChain 1.0 定位为全栈式开发框架，核心价值在于提供标准化的模型接口、工具集成和智能体抽象。通过 LCEL（LangChain Expression Language），开发者可以用声明式方式构建链式工作流，实现快速原型开发。
# LangChain 链式调用示例fromlangchain.chainsimportLLMChainfromlangchain.promptsimportPromptTemplate template="""用户问题：{question} 回答要求：简洁专业，不超过50字"""prompt=PromptTemplate(template=template,input_variables=["question"])chain=LLMChain(llm=model,prompt=prompt)result=chain.run("如何优化数据库查询性能？")1.2 LangGraph：低层编排框架，构建复杂智能体的“图式引擎”
LangGraph 作为 LangChain 生态的底层扩展，专门解决复杂 AI 应用中多智能体协作、长期运行状态管理、循环流程控制等核心问题。其核心突破在于引入状态图（State Graph）概念，将工作流建模为可动态演进的图形结构，每个节点可读写共享状态，边线定义流转规则，天然支持“计划-执行-反思-重规划”的 Agent 循环。
LangGraph 1.0 则聚焦于复杂工作流编排，其基于有向图的执行模型突破了传统线性链的局限，通过原生支持状态持久化、人机交互干预和动态分支决策，特别适合需要长期运行的多智能体系统。
二、LangGraph 的三要素：State、Node、Edge
与 LangChain 以 Chain 为核心的抽象不同，LangGraph 围绕三个核心概念构建：State（状态）、Node（节点）和Edge（边）。
2.1 State（状态）
State 是在图的各个节点之间传递的“公共黑板”，它是一个全局可访问的数据结构（通常用 TypedDict 定义），记录了当前的任务上下文、中间结果、决策历史等信息。LangGraph 的状态管理是集中式的，与 LangChain 的分散式 Memory 组件有本质区别。
2.2 Node（节点）
Node 是图中的基本执行单元，每个节点是一个函数，接收当前状态，处理后返回修改后的状态。节点应保持单一职责，例如“意图分类节点”“LLM 调用节点”“工具执行节点”等。
2.3 Edge（边）
Edge 定义了节点之间的流转路径，支持两种类型：
- 静态边：固定流转方向，适合确定性流程
- 条件边：根据状态动态决定下一个节点，实现分支/循环逻辑
# StateGraph 核心用法示意fromlanggraph.graphimportStateGraph graph=StateGraph(state_schema=GraphState)graph.add_node("translator",translator_node)graph.add_node("checker",checker_node)graph.add_edge("translator","checker")graph.add_conditional_edges("checker",route_after_check,{...})graph.set_entry_point("translator")graph.set_finish_point("end")三、执行模型与状态管理：核心差异解剖
3.1 执行模型对比
| 对比维度 | LangChain | LangGraph |
|---|---|---|
| 执行模型 | 线性链式执行，确定性顺序 | 基于有向图的执行，支持循环和分支 |
| 控制流 | 有限的条件分支 | 有向图，天然支持循环、并行执行 |
| 状态范围 | 局部 Memory（对话级） | 全局 State（工作流级） |
| 数据处理 | 单向传递 | 双向状态共享 |
| 状态持久化 | 无内置支持，依赖外部存储 | 内置检查点机制，自动保存状态快照 |
| 可观测性 | 黑盒操作，难以干预中间步骤 | 全流程可见，每个节点精确可控 |
3.2 为什么要从 AgentExecutor 迁移到 LangGraph？
LangChain 官方强烈建议将旧的 AgentExecutor 替换为基于 LangGraph 的实现。核心原因在于：AgentExecutor 是一个“黑盒”，开发者很难干预其中间步骤的执行；而 LangGraph 提供了全流程可见性——每个节点的输入、输出、执行轨迹都可以被精确追踪和调试。
| 对比特性 | AgentExecutor（旧） | LangGraph（新） |
|---|---|---|
| 透明度 | 黑盒，难干预中间步骤 | 全流程可见，每个节点可精确控制 |
| 可定制性 | 修改策略非常复杂 | 灵活定义状态跳转，支持多 Agent 协作 |
| 状态持久化 | 难以在中断后恢复 | 原生支持断点续传 |
| 循环逻辑 | 仅限于简单的思考循环 | 支持复杂的自定义条件循环 |
四、功能对比总览
4.1 LangChain 核心组件
LangChain 的组件体系包含五大核心模块：
- Chains：基础执行单元，支持顺序调用
- Agents：决策单元，根据工具选择执行路径
- Tools：外部能力接口，如搜索引擎/计算器
- Memory：状态存储，包含对话缓冲/摘要记忆
- Retrievers：知识检索组件
4.2 LangGraph 新增能力
LangGraph 在继承上述组件的基础上，新增：
- State Graph Builder：图结构定义 DSL
- Node Execution Context：节点执行上下文管理
- Cycle Detection：循环控制机制
- Edge Conditions：边条件判断逻辑
- Checkpointer：状态持久化机制
- Human-in-the-Loop：人机协同交互能力
五、核心差异深度对比表
| 对比维度 | LangChain | LangGraph |
|---|---|---|
| 抽象层级 | 高层抽象（High-level） | 低层编排（Low-level） |
| 核心目标 | 快速构建标准 LLM 应用 | 构建长期运行的有状态 Agent |
| 设计哲学 | 链式思维——快速组装 | 图结构思维——精确控制 |
| 基础单元 | Chain / Agent | Stateful Node（有状态节点） |
| 控制流 | 线性 / 简单分支 | 有向图（支持循环、并行） |
| 状态管理 | 内存组件（Memory），无持久化 | 集中式 State + Checkpointer 持久化 |
| 数据传递 | 单向链式传递 | 双向状态共享 |
| 循环支持 | 需手动实现状态传递逻辑 | 通过循环边直接表达 |
| 人机协同 | 需自定义工具实现 | 原生 HumanInputNode 支持 |
| 持久化 | 无内置支持 | 自动状态快照，支持断点续传 |
| 学习曲线 | 平缓，适合快速上手 | 较陡，需要理解图结构概念 |
| 适用场景 | RAG、单次问答、线性流程 | 多轮复杂对话、循环自修正流程、多智能体协作 |
| 生产特性 | 内存占用低 | 状态持久化、工作流隔离、动态调度 |
六、实战场景代码对比
以“文档摘要生成 + 质量检查 + 循环重试”任务为例，对比两种框架的实现。
6.1 需求描述
用户提交一篇长文档，需要 LLM 生成摘要，然后自动评估摘要质量，若不达标则循环重试直到满足要求。
6.2 LangChain 实现方式
fromlangchain.chainsimportLLMChainfromlangchain.promptsimportPromptTemplate summary_prompt=PromptTemplate.from_template("请生成以下文档的摘要：{document}")quality_prompt=PromptTemplate.from_template("评估以下摘要质量，回复'pass'或'fail'：{summary}")summary_chain=LLMChain(llm=model,prompt=summary_prompt)quality_chain=LLMChain(llm=model,prompt=quality_prompt)defgenerate_summary_with_retry(document,max_retries=3):for_inrange(max_retries):summary=summary_chain.run(document=document)quality=quality_chain.run(summary=summary)if"pass"inquality:returnsummaryreturnsummary# 最后一次结果局限：循环逻辑在框架外部手动实现，状态（重试次数、历史摘要）需开发者自行管理，无法利用框架内置的状态管理能力。
6.3 LangGraph 实现方式
fromlanggraph.graphimportStateGraphfromtypingimportTypedDict# 1. 定义全局状态classSummaryState(TypedDict):document:strsummary:strfeedback:strretry_count:intis_ok:bool# 2. 定义节点defsummarizer_node(state:SummaryState):# 生成或修正摘要prompt=f"请生成文档摘要：{state['document']}"ifstate.get("feedback"):prompt=f"根据反馈'{state['feedback']}'修正摘要：{state['summary']}"# response = model.invoke(prompt)return{"summary":"摘要结果","retry_count":state["retry_count"]+1}defchecker_node(state:SummaryState):# 评估摘要质量# if quality_score >= threshold:return{"is_ok":True,"feedback":""}# else:return{"is_ok":False,"feedback":"不够简洁"}# 3. 条件路由defroute_after_check(state:SummaryState):return"end"ifstate["is_ok"]else"retranslate"# 4. 构建图builder=StateGraph(SummaryState)builder.add_node("summarizer",summarizer_node)builder.add_node("checker",checker_node)builder.set_entry_point("summarizer")builder.add_edge("summarizer","checker")builder.add_conditional_edges("checker",route_after_check,{"retranslate":"summarizer","end":"end"})graph=builder.compile()result=graph.invoke({"document":"长文档内容...","retry_count":0})优势：循环逻辑在框架内显式声明，状态自动流转，且可启用 Checkpointer 实现断点续传。
七、进阶能力对比
7.1 记忆与持久化
| 记忆类型 | LangChain | LangGraph |
|---|---|---|
| 短期记忆 | ConversationBufferMemory 等 | Checkpointer + thread_id 自动管理 |
| 长期记忆 | 需自行实现 | Store 跨会话持久化 |
| 状态恢复 | 不支持中断恢复 | 原生支持断点续传 |
| 时间旅行 | 不支持 | 可回溯到任意历史状态 |
LangGraph 的持久化基于线程（Thread）和检查点（Checkpoint）两大概念。当启用持久化功能时，LangGraph 会在图执行的每个 Superstep 后自动创建状态快照，Superstep 通常对应图中一个或多个节点的执行。通过相同的 thread_id 恢复执行，Agent 能够在中断后从中断点继续运行。
7.2 人机协同（Human-in-the-Loop）
- LangChain：需通过自定义 Tools 实现人工干预，流程僵化
- LangGraph：提供 HumanInputNode 节点类型，可暂停执行并等待人工输入，结合条件边实现动态路由
# LangGraph 人机协同示意fromlanggraph.graphimportHumanInputNode human_node=HumanInputNode(name="await_approval",question="请审核以下结果，确认是否继续：",schema={"approved":bool,"comment":str})7.3 多智能体协作
LangGraph 天然支持多智能体协作架构，每个 Agent 对应图中的一个独立节点，通过共享的全局 State 进行交互，支持层级式和网络式两种协作模式。
| 协作模式 | 说明 | 适用场景 |
|---|---|---|
| 层级式 | 一个父 Agent 协调多个子 Agent | 任务分解、流水线处理 |
| 网络式 | Agent 之间点对点自由通信 | 辩论系统、共识达成 |
八、选型决策框架
8.1 优先选择 LangChain 的场景
| 场景 | 说明 |
|---|---|
| 快速原型开发 | 需验证业务逻辑可行性，LangChain 的模块化设计可大幅缩短开发周期 |
| 无状态服务 | 简单的问答机器人、文本分类等，无需维护执行上下文 |
| 标准 RAG 系统 | 用户提问 → 向量检索 → 上下文构建 → 答案生成，确定性流程 |
| 轻量级部署 | 资源受限环境下，LangChain 的内存占用通常更低 |
| 学习入门 | LangChain 学习曲线平缓，适合初学者快速上手 |
8.2 优先选择 LangGraph 的场景
| 场景 | 说明 |
|---|---|
| 多轮复杂对话 | 需要长期运行、状态记忆的对话系统 |
| 循环自修正流程 | 代码生成自检、翻译优化、质量审查 |
| 多智能体协作 | 需要多个 Agent 分工协作完成复杂任务 |
| 人机协同审批 | 金融交易、敏感操作需要人工审核 |
| 企业级复杂系统 | 需要状态持久化、审计追踪、中断恢复的生产系统 |
| 动态决策系统 | 根据实时数据调整执行路径 |
8.3 实践建议
- 不要全量重构：简单的 RAG 流程依然可以用 LCEL 写，没必要强行上 LangGraph
- 从小到大迁移：先尝试将原有的 AgentExecutor 替换为 LangGraph 的预构建版本，获得状态管理能力后再逐步精细控制
- 核心流程优先：先识别业务中的动态分支逻辑（如条件判断、循环处理），将其重构为 LangGraph 节点
- 两者结合使用：在 LangGraph 节点内部仍可自由调用 LangChain 的各种组件，充分利用两者的优势
九、总结
| 核心要点 | 总结 |
|---|---|
| 两者关系 | 同一家公司开发的互补框架，LangGraph 构建在 LangChain 之上 |
| 核心区别 | LangChain 是快速开发的可组合工具箱，LangGraph 是复杂系统编排的底层引擎 |
| 选型原则 | 从简单开始，按需升级——先 LangChain 验证想法，复杂时迁移到 LangGraph |
| 迁移路径 | AgentExecutor → create_agent → 自定义 StateGraph，渐进式迁移 |
| 最佳实践 | 两者可混合使用，LangGraph 节点内部继续使用 LangChain 组件 |
LangChain 负责“快速组装”，LangGraph 负责“精确控制”。LangGraph 的出现，标志着 AI Agent 开发从“线性链”迈向了“结构化图”的工程化阶段。理解这一本质差异，是在实际项目中做出正确技术选型的关键。
迁移行动建议：如果你正在使用 AgentExecutor，官方已宣布它将在 2026 年底废弃。现在是时候把手里的项目迁移到 LangGraph 了——越早越省心。
参考资料
- 从零入门Agent开发：LangChain与LangGraph框架选型指南
- LLM应用开发框架选型：LangChain与LangGraph的技术对比与选型指南
- LangChain 1.0与LangGraph 1.0技术选型指南：从架构到场景的深度对比
- Spring AI Alibaba、Dify、LangGraph 与 LangChain 综合对比分析报告
- LangChain与LangGraph 1.0技术对比：架构演进与迁移实战
- 从 LangChain 到 LangGraph 构建可控 Agent 的工程实践
- LangChain 与 LangGraph 的关系与迁移路线
- LangGraph新手村系列：StateGraph 与带记忆的 ReAct 循环
- LangGraph：基于有向图的智能体编排框架深度解析
- LangChain与LangGraph：智能体开发框架的选型指南