近两年大模型行业正在经历一次非常明显的技术路线变化。很多人最开始接触 AI 开发时学习的是Prompt EngineeringRAG知识库API 调用向量数据库后来逐渐开始接触AI AgentWorkflow多智能体系统自动化任务执行而在这个过程中两个名字几乎绕不开LangChainLangGraph很多初学者会疑惑LangChain 和 LangGraph 到底是什么关系为什么现在越来越多人开始学 LangGraph它们分别适合什么场景这篇文章就系统讲清楚这件事。一、AI 应用开发为什么需要框架如果你直接调用大模型 API其实只能做到用户输入 → 大模型 → 输出结果但真实业务远远复杂得多。例如需要接知识库需要调用搜索工具需要调用数据库需要长期记忆需要多步骤推理需要多个 Agent 协作需要流程控制于是问题来了如何把这些能力组织起来这就是 LangChain 出现的原因。二、LangChainAI 应用开发的“工具箱”LangChain 是什么LangChain 本质上是一个帮助开发者快速构建 AI 应用的框架。它的核心作用是连接大模型管理 Prompt接入工具实现 RAG构建链式调用流程你可以把它理解为AI开发积木系统三、LangChain 最经典的能力1. Prompt Chain链式调用例如用户问题 ↓ 提取需求 ↓ 生成 SQL ↓ 查询数据库 ↓ 整理答案 ↓ 输出结果LangChain 可以把这些步骤串联起来。2. RAG知识库问答这是 LangChain 最经典的应用场景。流程通常是用户提问 ↓ 向量数据库检索 ↓ 找到相关文档 ↓ 拼接 Prompt ↓ 大模型生成答案这也是目前大量企业 AI 应用的核心架构。3. Tool Calling工具调用例如用户帮我查今天比特币价格 ↓ 模型判断需要调用工具 ↓ 调用行情 API ↓ 整理结果 ↓ 返回用户LangChain 非常擅长这种能力。四、为什么 LangChain 后来不够用了当 AI 应用越来越复杂时问题开始出现。例如Agent 会无限循环状态容易混乱很难控制执行流程多 Agent 协作困难无法中断恢复很难加入人工审批原因在于LangChain 更偏“链式流程”而不是“复杂状态系统”。简单流程没问题。但复杂 Agent 系统会越来越失控。于是LangGraph 出现了。五、LangGraphAI Agent 的工作流引擎LangGraph 的核心思想LangGraph 本质上是Graph图结构 State状态机也就是说Node节点 一个任务Edge边 下一步流转State状态 当前上下文例如用户问题 ↓ 意图识别 ↓ ┌────────────┐ ↓ ↓ 查数据库 调搜索API ↓ ↓ 汇总结果 ↓ 输出这就是一个典型的 AI Workflow。六、LangGraph 为什么更适合 Agent因为 Agent 本质上不是简单“问答”。而是观察 ↓ 思考 ↓ 执行 ↓ 反馈 ↓ 再决策这是一个循环系统。LangGraph 天然适合这种结构。七、LangGraph 的几个核心优势1. 强状态管理它能清晰记录当前执行到哪里已经调用了什么工具下一步应该做什么这对于复杂 Agent 非常关键。2. 支持循环例如搜索资料 ↓ 分析结果 ↓ 信息不够 ↓ 继续搜索LangGraph 对这种循环控制非常强。3. 支持多 Agent例如研究员Agent ↓ 搜索Agent ↓ 数据分析Agent ↓ 写报告Agent这种复杂协作用 LangChain 很容易混乱。但 LangGraph 更稳定。4. Human in the Loop很多企业 AI 系统要求AI执行 ↓ 人工审核 ↓ 继续执行LangGraph 很适合这种“人工审批节点”。八、LangChain 和 LangGraph 的关系很多人误以为LangGraph 会替代 LangChain。其实并不是。真实关系更像LangChain 基础能力层 LangGraph 调度编排层甚至可以理解为LangGraph 是建立在 LangChain 之上的高级框架很多 LangGraph 项目底层依然在使用 LangChain 的PromptToolRAGModel 接口九、现在 AI 行业的技术演进过去Prompt Engineering后来RAG现在AI Workflow AI Agent未来Multi-Agent System所以行业正在从“调用模型”转向“组织 AI 系统”而 LangGraph 正是这个趋势下的重要产物。十、企业真实架构正在变成什么样现在很多 AI 公司技术栈已经逐渐变成LLM ↓ LangChain工具/RAG ↓ LangGraphAgent流程 ↓ 业务系统这是目前越来越主流的方向。十一、哪些场景适合 LangChain适合PDF 问答知识库AI 客服文档总结简单工作流工具调用特点流程相对固定 逻辑相对简单十二、哪些场景适合 LangGraph适合自动研究员AI 编程 AgentAI 金融分析自动任务执行多智能体系统长流程 AI Workflow特点复杂 有状态 可循环 多步骤十三、未来 AI 工程师最重要的能力很多人还停留在Prompt工程但行业已经开始升级。未来更重要的是RAG Tool Use Workflow Agent因为AI 的真正价值不只是“会聊天”。而是能执行任务 能调用工具 能协同工作 能自动完成流程这才是 AI Agent 的核心。
从 LangChain 到 LangGraph：AI Agent 时代的核心框架演进
发布时间：2026/5/27 2:37:30
近两年大模型行业正在经历一次非常明显的技术路线变化。很多人最开始接触 AI 开发时学习的是Prompt EngineeringRAG知识库API 调用向量数据库后来逐渐开始接触AI AgentWorkflow多智能体系统自动化任务执行而在这个过程中两个名字几乎绕不开LangChainLangGraph很多初学者会疑惑LangChain 和 LangGraph 到底是什么关系为什么现在越来越多人开始学 LangGraph它们分别适合什么场景这篇文章就系统讲清楚这件事。一、AI 应用开发为什么需要框架如果你直接调用大模型 API其实只能做到用户输入 → 大模型 → 输出结果但真实业务远远复杂得多。例如需要接知识库需要调用搜索工具需要调用数据库需要长期记忆需要多步骤推理需要多个 Agent 协作需要流程控制于是问题来了如何把这些能力组织起来这就是 LangChain 出现的原因。二、LangChainAI 应用开发的“工具箱”LangChain 是什么LangChain 本质上是一个帮助开发者快速构建 AI 应用的框架。它的核心作用是连接大模型管理 Prompt接入工具实现 RAG构建链式调用流程你可以把它理解为AI开发积木系统三、LangChain 最经典的能力1. Prompt Chain链式调用例如用户问题 ↓ 提取需求 ↓ 生成 SQL ↓ 查询数据库 ↓ 整理答案 ↓ 输出结果LangChain 可以把这些步骤串联起来。2. RAG知识库问答这是 LangChain 最经典的应用场景。流程通常是用户提问 ↓ 向量数据库检索 ↓ 找到相关文档 ↓ 拼接 Prompt ↓ 大模型生成答案这也是目前大量企业 AI 应用的核心架构。3. Tool Calling工具调用例如用户帮我查今天比特币价格 ↓ 模型判断需要调用工具 ↓ 调用行情 API ↓ 整理结果 ↓ 返回用户LangChain 非常擅长这种能力。四、为什么 LangChain 后来不够用了当 AI 应用越来越复杂时问题开始出现。例如Agent 会无限循环状态容易混乱很难控制执行流程多 Agent 协作困难无法中断恢复很难加入人工审批原因在于LangChain 更偏“链式流程”而不是“复杂状态系统”。简单流程没问题。但复杂 Agent 系统会越来越失控。于是LangGraph 出现了。五、LangGraphAI Agent 的工作流引擎LangGraph 的核心思想LangGraph 本质上是Graph图结构 State状态机也就是说Node节点 一个任务Edge边 下一步流转State状态 当前上下文例如用户问题 ↓ 意图识别 ↓ ┌────────────┐ ↓ ↓ 查数据库 调搜索API ↓ ↓ 汇总结果 ↓ 输出这就是一个典型的 AI Workflow。六、LangGraph 为什么更适合 Agent因为 Agent 本质上不是简单“问答”。而是观察 ↓ 思考 ↓ 执行 ↓ 反馈 ↓ 再决策这是一个循环系统。LangGraph 天然适合这种结构。七、LangGraph 的几个核心优势1. 强状态管理它能清晰记录当前执行到哪里已经调用了什么工具下一步应该做什么这对于复杂 Agent 非常关键。2. 支持循环例如搜索资料 ↓ 分析结果 ↓ 信息不够 ↓ 继续搜索LangGraph 对这种循环控制非常强。3. 支持多 Agent例如研究员Agent ↓ 搜索Agent ↓ 数据分析Agent ↓ 写报告Agent这种复杂协作用 LangChain 很容易混乱。但 LangGraph 更稳定。4. Human in the Loop很多企业 AI 系统要求AI执行 ↓ 人工审核 ↓ 继续执行LangGraph 很适合这种“人工审批节点”。八、LangChain 和 LangGraph 的关系很多人误以为LangGraph 会替代 LangChain。其实并不是。真实关系更像LangChain 基础能力层 LangGraph 调度编排层甚至可以理解为LangGraph 是建立在 LangChain 之上的高级框架很多 LangGraph 项目底层依然在使用 LangChain 的PromptToolRAGModel 接口九、现在 AI 行业的技术演进过去Prompt Engineering后来RAG现在AI Workflow AI Agent未来Multi-Agent System所以行业正在从“调用模型”转向“组织 AI 系统”而 LangGraph 正是这个趋势下的重要产物。十、企业真实架构正在变成什么样现在很多 AI 公司技术栈已经逐渐变成LLM ↓ LangChain工具/RAG ↓ LangGraphAgent流程 ↓ 业务系统这是目前越来越主流的方向。十一、哪些场景适合 LangChain适合PDF 问答知识库AI 客服文档总结简单工作流工具调用特点流程相对固定 逻辑相对简单十二、哪些场景适合 LangGraph适合自动研究员AI 编程 AgentAI 金融分析自动任务执行多智能体系统长流程 AI Workflow特点复杂 有状态 可循环 多步骤十三、未来 AI 工程师最重要的能力很多人还停留在Prompt工程但行业已经开始升级。未来更重要的是RAG Tool Use Workflow Agent因为AI 的真正价值不只是“会聊天”。而是能执行任务 能调用工具 能协同工作 能自动完成流程这才是 AI Agent 的核心。
