企业官网建设流程全解析

可以把它们先理解成一句话：

LangChain 是“构建 LLM 应用的工具箱”，LangGraph 是“构建有状态、可循环、可控 Agent 工作流的运行框架”。

如果你准备做AI Agent / RAG / 多 Agent / 企业级 AI 应用，建议不要把 LangChain 和 LangGraph 当成两个完全独立的东西学，而是先 LangChain，再 LangGraph。

1. LangChain vs LangGraph

LangChain 更像这样

用户问题 ↓ LLM ↓ Tool ↓ LLM ↓ 回答

例如：

用户：东京明天天气怎么样？ ↓ LangChain Agent ↓ 调用天气 Tool ↓ 获取天气数据 ↓ LLM ↓ 返回自然语言

LangGraph 更像这样

复杂一点：

┌──────────────┐ │ 用户问题 │ └──────┬───────┘ ↓ ┌───────────┐ │ 意图分析 │ └─────┬─────┘ ↓ ┌───────────────┐ │ 是否需要搜索 │ └───┬───────┬───┘ │ │ 是 否 ↓ ↓ Search LLM ↓ │ 判断结果 │ ↓ │ 需要继续搜索？│ ↓ ↓ │ 是 否 │ │ └────┤ └──→ Search │ ↓ │ └──→ LLM ↓ 最终回答

这种有状态 + 条件分支 + 循环 + 多节点的 Agent，正是 LangGraph 擅长的。

2. 两者是什么关系？

现在学习 LangChain，建议理解成：

AI Application │ ┌────────┴────────┐ │ │ LangChain LangGraph │ │ LLM / Tools / RAG Agent Workflow Prompt / Retriever State / Graph Structured Output Loop / Branch │ │ └────────┬────────┘ ↓ LLM API OpenAI / Claude / ...

实际上 LangGraph 可以使用 LangChain 的很多组件。

比如：

from langchain_openai import ChatOpenAI

模型还是 LangChain 生态里的东西。

而 LangGraph 负责：

State ↓ Node ↓ Node ↓ Conditional Edge ↓ Node

所以不要纠结：

“LangChain 和 LangGraph 到底选哪个？”

更合理的是：

LangChain 学组件，LangGraph 学 Agent 编排。

3. 推荐你的学习路线

如果你是有 Node.js / 前端 / 后端开发经验，我建议走这条路线：

Python / TypeScript 基础 ↓ LLM API ↓ Prompt ↓ Structured Output ↓ Tool Calling ↓ LangChain ↓ RAG ↓ Agent ↓ LangGraph ↓ Memory / Persistence ↓ Human-in-the-loop ↓ Multi-Agent ↓ Agent Production

第一阶段：先搞懂 LLM 原生能力

不要一上来就 LangChain。

先直接调用模型 API。

你需要搞懂：

① Chat Completion

system user assistant

理解：

• message

• token

• context window

• temperature

• streaming

• structured output

② Tool Calling

这是后面学 Agent 的基础。

例如：

{ "name": "search_weather", "arguments": { "city": "Tokyo" } }

整个流程：

用户 ↓ LLM ↓ 判断需要 Tool ↓ 调用 Tool ↓ Tool 返回结果 ↓ LLM ↓ 最终答案

如果这个流程你彻底理解了，后面 Agent 会简单很多。

第二阶段：LangChain 核心

这一阶段不要追求把 LangChain API 全学完。

重点学 6 个东西：

1. Chat Model

model = ChatOpenAI(...)

理解：

输入 → Model → AIMessage

2. Prompt

prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个专业助手"), ("human", "{question}") ])

理解：

Prompt Template ↓ Model ↓ Response

3. Structured Output

例如：

class UserInfo(BaseModel): name: str age: int

让 LLM 输出：

{ "name": "张三", "age": 25 }

这个在实际项目里非常重要。

4. Tool

例如：

@tool def search_database(keyword: str): ...

然后让 LLM 决定：

需要查询数据库？ ↓ Yes ↓ 调用 search_database

5. Retriever

这是 RAG 的核心。

Documents ↓ Embedding ↓ Vector DB ↓ Retriever ↓ Relevant Documents ↓ LLM

6. Agent

最后把：

LLM + Tools + Reasoning

组合起来。

你应该理解 Agent 的本质：

Agent 并不是一个神秘的 AI，它本质上是一个“LLM + 工具 + 循环决策”的程序。

第三阶段：RAG

这部分非常值得认真学。

建议掌握：

PDF / Markdown / Web ↓ Document Loader ↓ Chunk ↓ Embedding ↓ Vector Database ↓ Retriever ↓ Rerank ↓ LLM

然后理解：

Naive RAG

问题 ↓ Embedding ↓ Vector Search ↓ Top K ↓ LLM

进一步：

Advanced RAG

Query Rewrite ↓ Hybrid Search ↓ Vector Search ↓ Keyword Search ↓ Rerank ↓ Context ↓ LLM

如果你以后做企业级 AI，这部分比背 LangChain API 更重要。

第四阶段：正式进入 LangGraph

这时候再学 LangGraph，会非常顺。

核心就 4 个概念：

State

整个 Agent 的状态。

class State(TypedDict): messages: list search_result: str

Node

一个执行步骤。

def search_node(state): ...

例如：

Node A ↓ Node B ↓ Node C

Edge

控制节点之间怎么走。

A → B

Conditional Edge

最重要。

A ↓ 判断条件 ↙ ↘ B C

5. LangGraph 最重要的思想：State Machine

你可以把 LangGraph 理解成：

给 Agent 做状态机。

比如一个 Coding Agent：

┌────────────┐ │ Understand │ └─────┬──────┘ ↓ ┌────────────┐ │ Write Code │ └─────┬──────┘ ↓ ┌────────────┐ │ Run Tests │ └─────┬──────┘ ↓ ┌────────────┐ │ Passed? │ └───┬────┬───┘ │ │ Yes No ↓ ↓ Done Fix Code │ └──────→ Run Tests

这就是 LangGraph 非常典型的应用。

6. 然后学习 Agent Memory

这里建议分清两个概念。

短期状态

例如：

当前对话 当前任务 当前工具调用 当前 Agent 状态

长期记忆

例如：

用户偏好 历史任务 用户资料 长期知识

不要把：

Conversation History

简单等同于：

Memory

这是很多初学者容易混淆的地方。

7. 再学 Human-in-the-loop

这是 LangGraph 很值得学习的一块。

例如：

Agent ↓ 准备删除数据库 ↓ 暂停 ↓ 等待人工确认 ↓ 用户批准 ↓ 继续执行

或者：

Agent ↓ 生成邮件 ↓ 人工审核 ↓ 修改 ↓ 发送

这才开始接近真正的企业级 Agent。

8. 再往后：Multi-Agent

例如一个研究 Agent：

Supervisor │ ┌───────────┼───────────┐ ↓ ↓ ↓ Researcher Coder Writer ↓ ↓ ↓ └───────────┼───────────┘ ↓ Reviewer ↓ Final

LangGraph 非常适合做这种复杂编排。

9. 最后进入生产环境

如果你的目标不是“会写 Demo”，而是以后做真正的 AI 产品，这些一定要学：

LangChain ↓ LangGraph ↓ Streaming ↓ Persistence ↓ Checkpoint ↓ Human-in-the-loop ↓ Observability ↓ Evaluation ↓ Guardrails ↓ Cost Control ↓ Concurrency ↓ Production Deployment

尤其是：

Evaluation

你需要知道：

Agent 到底好不好？ RAG 找到的资料对不对？ 回答有没有幻觉？ Tool 有没有调用错误？

不能只靠“我测试了一下感觉还行”。

10. 如果你是 Node.js 开发者

你其实不一定需要转 Python。

LangChain 有 TypeScript 生态。

可以走：

Node.js ↓ TypeScript ↓ LangChain.js ↓ LangGraph.js ↓ Next.js ↓ PostgreSQL / Redis ↓ Vector DB

这条路线非常适合做 Web AI 产品。

例如：

Next.js ↓ AI API ↓ LangChain ↓ LangGraph ↓ Redis / PostgreSQL ↓ Vector DB

你之前关注过Redis + Node.js 的高并发架构，这方面的后端经验其实可以直接迁移到 Agent 系统里：Agent 本身只是业务编排层，真正生产化时仍然会遇到缓存、队列、并发、限流、持久化、流式输出等传统后端问题。

11. 我建议你按这个顺序学

如果每天有1～2 小时：

第 1 周：LLM 基础

LLM API Prompt Message Streaming Structured Output Tool Calling

第 2 周：LangChain

Model Prompt Output Parser Tool Runnable Agent

第 3 周：RAG

Embedding Vector DB Retriever Chunk Metadata Hybrid Search Rerank

第 4 周：LangGraph

State Node Edge Conditional Edge Graph Checkpoint

第 5 周：Agent

Tool Agent ReAct Memory Human-in-the-loop Reflection Planning

第 6～7 周：复杂 Agent

Multi-Agent Supervisor Subgraph Long-term Memory Persistence

第 8 周：生产化

Streaming Observability Evaluation Guardrails Retry Timeout Rate Limit Cost Control Deployment

12. 最重要的是：不要“看教程学”

我更推荐你直接做一个项目：

「AI 企业知识库 Agent」

最终架构：

用户 │ ↓ Next.js │ ↓ LangGraph Agent │ ┌───────────┼───────────┐ ↓ ↓ ↓ Search SQL Tool Web Tool │ │ │ ↓ ↓ ↓ Vector DB PostgreSQL Search API │ │ │ └───────────┼───────────┘ ↓ LLM │ ↓ Answer

然后逐步加：

V1：普通 Chat ↓ V2：RAG ↓ V3：Tool Calling ↓ V4：Agent ↓ V5：LangGraph ↓ V6：Memory ↓ V7：Human Approval ↓ V8：Multi-Agent ↓ V9：Evaluation ↓ V10：Production

这样学下来，你会真正理解 LangChain 和 LangGraph 为什么存在，而不是记住一堆 API。

如果你现在主要是Node.js + Next.js，我会建议你直接走TypeScript + LangChain.js + LangGraph.js这条路线，不必为了学 Agent 专门切 Python。