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 LCELLangChain 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promptPromptTemplate(templatetemplate,input_variables[question])chainLLMChain(llmmodel,promptprompt)resultchain.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。LangGraph 图式架构分支A分支B是否开始条件判断节点A节点B需要优化?输出LangChain 链式架构输入PromptLLM输出二、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 graphStateGraph(state_schemaGraphState)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LangChainLangGraph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 LangGraphLangChain 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、功能对比总览保留所有能力LangGraph 增强能力状态图编排StateGraph循环控制Loop/Retry持久化执行Checkpointer人机协同HITL多智能体协作Multi-AgentLangChain 核心能力模型抽象层统一100 LLM接口链式组合Chain工具集成Tool记忆组件Memory检索组件Retriever4.1 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 DSLNode 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LangChainLangGraph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 / AgentStateful 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_promptPromptTemplate.from_template(请生成以下文档的摘要{document})quality_promptPromptTemplate.from_template(评估以下摘要质量回复pass或fail{summary})summary_chainLLMChain(llmmodel,promptsummary_prompt)quality_chainLLMChain(llmmodel,promptquality_prompt)defgenerate_summary_with_retry(document,max_retries3):for_inrange(max_retries):summarysummary_chain.run(documentdocument)qualityquality_chain.run(summarysummary)ifpassinquality: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promptf请生成文档摘要{state[document]}ifstate.get(feedback):promptf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):returnendifstate[is_ok]elseretranslate# 4. 构建图builderStateGraph(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})graphbuilder.compile()resultgraph.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LangChainLangGraph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-LoopLangChain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_nodeHumanInputNode(nameawait_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、总结选型决策树简单、线性复杂、需循环/状态是任务复杂度LangChain快速原型/RAG/问答LangGraphAgent工作流/多步任务需要生产级特性LangGraph Checkpointer Store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
LangChain 与 LangGraph 深度对比：设计哲学、核心差异与选型指南
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 LCELLangChain 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promptPromptTemplate(templatetemplate,input_variables[question])chainLLMChain(llmmodel,promptprompt)resultchain.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。LangGraph 图式架构分支A分支B是否开始条件判断节点A节点B需要优化?输出LangChain 链式架构输入PromptLLM输出二、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 graphStateGraph(state_schemaGraphState)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LangChainLangGraph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 LangGraphLangChain 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、功能对比总览保留所有能力LangGraph 增强能力状态图编排StateGraph循环控制Loop/Retry持久化执行Checkpointer人机协同HITL多智能体协作Multi-AgentLangChain 核心能力模型抽象层统一100 LLM接口链式组合Chain工具集成Tool记忆组件Memory检索组件Retriever4.1 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 DSLNode 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LangChainLangGraph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 / AgentStateful 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_promptPromptTemplate.from_template(请生成以下文档的摘要{document})quality_promptPromptTemplate.from_template(评估以下摘要质量回复pass或fail{summary})summary_chainLLMChain(llmmodel,promptsummary_prompt)quality_chainLLMChain(llmmodel,promptquality_prompt)defgenerate_summary_with_retry(document,max_retries3):for_inrange(max_retries):summarysummary_chain.run(documentdocument)qualityquality_chain.run(summarysummary)ifpassinquality: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promptf请生成文档摘要{state[document]}ifstate.get(feedback):promptf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):returnendifstate[is_ok]elseretranslate# 4. 构建图builderStateGraph(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})graphbuilder.compile()resultgraph.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LangChainLangGraph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-LoopLangChain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_nodeHumanInputNode(nameawait_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、总结选型决策树简单、线性复杂、需循环/状态是任务复杂度LangChain快速原型/RAG/问答LangGraphAgent工作流/多步任务需要生产级特性LangGraph Checkpointer Store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
