LangChain和LangGraph是构建大模型应用的两个重要框架。LangChain专注于组件库和LCEL编排，适合简单任务；LangGraph则擅长构建有状态Agent系统，适合复杂场景。本文从技术架构、应用场景等维度对比分析这两个框架，帮助开发者做出选择。

🔧 LangChain是一个开源框架，提供丰富的组件库和LCEL（LangChain Expression Language）编排能力，适合简单的一次性任务处理和作为构建更复杂系统的基石。

🗺️ LangGraph采用图结构架构，支持循环、回溯和复杂的控制流，拥有强大的中央状态组件，天然适合构建多个智能体协作的Agent系统和复杂的多轮对话系统。

🔍 LangChain通过LCEL提供声明式的组件编排方式，适合构建简单的线性处理流程；LangGraph支持复杂的图结构，可以处理循环、条件分支等复杂逻辑。

🔄 LangChain通过Memory组件实现简单的状态保持，主要支持线性的上下文传递，适合单轮或简单多轮对话场景；LangGraph提供强大的中央状态管理系统，支持复杂的状态变更和回溯，能够处理长期的、多步骤的交互流程。

🤝 LangChain和LangGraph相辅相成，可根据场景灵活选用，在实际项目中，往往可以结合两者的优势，使用LangChain提供的组件，通过LangGraph构建复杂的应用逻辑。

原创 尹珉、张海立 2025-08-28 19:28 上海

LangChain 专注于提供组件和 LCEL 编排能力，适合简单的一次性任务；LangGraph 则是构建有状态 Agent 系统的理想选择

大模型落地，要么做workflow、要么做agent，而无论哪一种，全都离不开框架，已经成为共识。而框架的选型，也直接决定着项目落地的效果好坏。

在众多开发框架中，LangChain 和 LangGraph 作为同一生态系统的重要组成部分，讨论度常年居高不下。

那么，到底该如何选型？先说结论，LangChain 专注于提供组件和 LCEL 编排能力，适合简单的一次性任务；LangGraph 则是构建有状态 Agent 系统的理想选择。两者相辅相成，可根据场景灵活选用。

具体原理，本文将从技术架构、应用场景等维度深入分析这两个框架，帮你做出决策参考。

01

框架概述与核心理念

1.1 LangChain：组件库与 LCEL 编排系统

LangChain 是一个专为开发大型语言模型应用而设计的开源框架，其核心是提供丰富的组件库和 LCEL（LangChain Expression Language）编排能力。

核心特点：

丰富的组件库：提供文档加载器、文本分割器、向量存储、模型接口等多种组件

LCEL 编排能力：通过 LangChain Expression Language 实现组件的灵活组合

易于集成：与外部 API、数据库等工具无缝对接

成熟生态：拥有完善的文档和活跃的社区支持

1.2 LangGraph：构建有状态 Agent 系统的框架

LangGraph 是 LangChain 生态系统中的专门库，专注于构建有状态的多智能体系统。它采用图（Graph）结构来表示任务和流程，其中节点代表操作或步骤，边表示节点之间的依赖关系。

核心特点：

图结构架构：支持循环、回溯和复杂的控制流

状态管理：拥有强大的中央状态组件，确保上下文连续性

多智能体支持：天然适合构建多个智能体协作的场景

调试支持：LangSmith Studio 提供图结构的可视化调试能力

02

技术架构深度对比

2.1 架构模式差异

LangChain 的 LCEL 架构：

# LangChain的LCEL编排示例

from langchain.prompts import ChatPromptTemplate

from langchain.chat_models import ChatOpenAI

prompt = ChatPromptTemplate.from_template("请回答以下问题：{question}")

model = ChatOpenAI()

# LCEL链式编排

chain = prompt | model

# 运行链

result = chain.invoke({"question": "什么是人工智能？"})

LangChain 通过 LCEL 提供了声明式的组件编排方式，适合构建简单的线性处理流程。

LangGraph 架构特点：

# LangGraph的图结构定义

from langgraph.graph import StateGraph

from typing import TypedDict

class State(TypedDict):

    messages: list

    current_step: str

def node_a(state: State) -> State:

    # 节点A的处理逻辑

    return {"messages": state["messages"] + ["处理A"], "current_step": "A"}

def node_b(state: State) -> State:

    # 节点B的处理逻辑

    return {"messages": state["messages"] + ["处理B"], "current_step": "B"}

# 创建图结构

graph = StateGraph(State)

graph.add_node("node_a", node_a)

graph.add_node("node_b", node_b)

graph.add_edge("node_a", "node_b")

LangGraph 支持复杂的图结构，可以处理循环、条件分支等复杂逻辑，特别适合构建 Agent 系统。

2.2 状态管理机制

LangChain 的状态管理：

通过 Memory 组件实现简单的状态保持

主要支持线性的上下文传递

适合单轮或简单多轮对话场景

LangGraph 的状态管理：

提供强大的中央状态管理系统

支持复杂的状态变更和回溯

能够处理长期的、多步骤的交互流程

2.3 执行模式对比

03

应用场景深度分析

3.1 适合 LangChain 的场景

简单的一次性任务处理

LangChain 非常适合处理那些不需要复杂状态管理的一次性任务：

# 使用 LCEL 实现简单的文本翻译

from langchain.prompts import ChatPromptTemplate

from langchain.chat_models import ChatOpenAI

prompt = ChatPromptTemplate.from_template("将以下文本翻译成英文：{text}")

model = ChatOpenAI()

chain = prompt | model

result = chain.invoke({"text": "你好，世界！"})

实际应用：浏览器插件中的文本翻译功能，用户选中文本后一键翻译，不需要保持复杂状态。

基础组件提供

LangChain 提供了丰富的基础组件，可以作为构建更复杂系统的基石：

向量存储接口：与各种向量数据库的标准化接口

文档处理工具：加载、分割、处理各类文档

模型接口：统一的模型调用接口

实际应用：作为 LangGraph 应用的组件提供者，为图结构中的各个节点提供基础功能。

3.2 适合 LangGraph 的场景

Agent 系统

LangGraph 是构建 Agent 系统的理想选择：

# Agent系统的简化示例

def agent(state):

    messages = state["messages"]

    # Agent思考并决定下一步行动

    action = decide_action(messages)

    return {"action": action, "messages": messages}

def tool_executor(state):

    # 执行工具调用

    action = state["action"]

    result = execute_tool(action)

    return {"result": result, "messages": state["messages"] + [result]}

# 构建Agent图

graph = StateGraph()

graph.add_node("agent", agent)

graph.add_node("tool_executor", tool_executor)

graph.add_edge("agent", "tool_executor")

graph.add_edge("tool_executor", "agent")

实际应用：GitHub Copilot X 的高级功能采用 Agent 架构，能够理解用户意图，执行多步操作完成复杂编程任务。

多轮对话系统

LangGraph 的状态管理能力使其非常适合构建复杂的多轮对话系统：

客服系统：能够跟踪对话历史，理解上下文，提供连贯的回应

教育辅导系统：根据学生的回答历史调整教学策略

面试模拟系统：根据应聘者的回答调整面试问题

实际应用：Duolingo 的 AI 辅导系统能够根据学习者的答题历史和学习进度，提供个性化的语言学习体验。

多智能体协作系统

LangGraph 天然支持多智能体协作：

团队协作模拟：多个角色协同完成复杂任务

辩论系统：多个角色持不同观点进行辩论

创意协作平台：不同专业领域的智能体共同创作

实际应用：一些高级研究项目中，多个专业领域的 AI 智能体协作解决复杂问题，如药物发现、材料设计等领域。

04

选择决策框架

技术选型矩阵

05

写在结尾

LangChain 和 LangGraph 作为同一生态系统的不同部分，各自承担着不同的角色。LangChain 提供了丰富的组件和 LCEL 编排能力，适合简单的一次性任务；而 LangGraph 则提供了强大的状态管理和图结构支持，特别适合构建 Agent 系统和复杂的多轮交互应用。

选择建议：

选择 LangChain：如果你的项目是简单的一次性任务，如文本翻译、内容优化等无状态操作

选择 LangGraph：如果你需要构建 Agent 系统、多轮对话应用或多智能体协作系统

组合使用：在实际项目中，往往可以结合两者的优势，使用 LangChain 提供的组件，通过 LangGraph 构建复杂的应用逻辑

最终，框架的选择应该基于具体的项目需求。随着技术的发展，LangChain 和 LangGraph 也在不断演进，关注官方文档和社区动态，能够帮助你更好地利用这些强大的工具。

彩蛋

好书推荐

本文的两位作者尹珉与张海立，是Milvus社区的北辰使者，也是最近热门新书《LangGraph 实战：构建新一代 AI 智能体系统》的作者。这本书解读了LangGraph的基础原理以及各种落地实战案例，风格深入浅出、循循善诱。

欢迎大家在评论区留言，聊聊你与Milvus与LangGraph的故事，24小时内点赞前三的朋友，后台私信，即可获得作者签名赠书，或者Milvus纪念品套装一份哦~

推荐阅读

Word2Vec、 BERT、BGE-M3、LLM2Vec，embedding模型选型指南｜最全

n8n部署RAG太麻烦？MCP+自然语言搞定n8n workflow 的时代来了！

Embedding无敌？是做文档处理RAG最大的幻觉（含LangExtract+Milvus教程）

LLM、RAG、workflow、Agent，大模型落地该选哪个？一个决策矩阵讲透

阅读原文

跳转微信打开