Skip to content

06 · LangChain 与 LangGraph:框架帮你做了什么 ​

学完你能说出:

  • LangChain 是「零件库」:模型、提示词模板、检索器、工具,用 LCEL 写成 prompt | llm | parser。
  • LangGraph 把流程画成图:节点、边、状态、条件边、循环、checkpoint、人在回路。
  • 两者的区别,什么时候用框架、什么时候手写;Workflow 和 Agent 的区别。

先看地图 ​

前五篇讲的 Agent 都是「原理 + 手写流程」。实际开发中,很多团队会用框架。本篇讲 5 个点:

① 四个概念怎么套在一起 → ② LangChain:零件和 LCEL → ③ LangGraph:图、状态、循环 → ④ checkpoint 与人在回路 → ⑤ 用框架还是手写

一句话本质 ​

LangChain 提供零件,把零件串成直线;LangGraph 把带分支、循环和状态的复杂流程画成图来控制。 它们省的是「重复造轮子」,不改变 RAG 和 Agent 的原理。

生活类比 ​

做家具:

  • LangChain = 一套标准螺丝、板材、合页,按说明书一步接一步拼(直线流水线);
  • LangGraph = 一张施工流程图:「刷完漆检查一遍,不合格就回去重刷,最多两次;装玻璃前要主管签字」(分支、循环、审批);
  • 手写 = 自己锯木头,最灵活,但每一步都要自己做。

一步步看 ​

1. 四个概念怎么套在一起 ​

大模型(会说话的大脑)
  └─ RAG:先查资料再回答(配一个资料库)
      └─ Agent:自己决定下一步做什么、调什么工具(配上手脚)
          ├─ LangChain:做这些东西的零件库
          └─ LangGraph:把复杂 Agent 画成流程图来控制

2. LangChain:零件库 ​

零件作用
Model统一的模型接口,换模型不用改业务代码
PromptTemplate提示词模板,留空,运行时填
TextSplitter文档切块(如按段落、句子递归切分)
Retriever检索器,对接各种向量库和关键词检索
Tool包装好的工具,供 Agent 调用
OutputParser把模型输出解析成字符串、JSON 等

LCEL(LangChain Expression Language,LangChain 表达式语言):像 Linux 管道一样用 | 把零件串起来。

python
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

prompt = ChatPromptTemplate.from_template(
    "只根据资料回答,资料里没有就说不知道。\n资料:{context}\n问题:{question}")
chain = prompt | llm | StrOutputParser()           # 填模板 → 调模型 → 取出文字
answer = chain.invoke({"context": docs, "question": "年假几天?"})   # invoke:运行这条链

这和手写「拼提示词 → 调模型 → 取文字」做的事完全一样,只是换成了标准零件。

3. LangGraph:把流程画成图 ​

LangChain 的链是直线(A → B → C)。但 Agent 常常需要:「检索结果不够好就改写问题重来」「工具调用失败就重试」,直线表达不了。

概念含义类比
Node 节点一个处理步骤(调模型、检索、调工具),是一个函数流程图里的方框
Edge 边决定下一步去哪个节点箭头
条件边根据状态走不同分支菱形判断框
State 状态在节点之间传递、被节点读写的共享数据一张随流程传递的工单
← 左右滑动看完整图 →START检索 retrieve够好吗?或已重试 2 次生成 generateEND改写问题 rewrite是否循环:改写后重新检索State(随流程传递的工单):问题、检索结果、重试次数、最终答案
用 LangGraph 画一个「检索不够好就改写问题重试」的流程:节点(方框)做事,边(箭头)决定下一步,条件边(菱形)按状态分支;状态 State 在节点之间传递。循环要设最大次数,防止停不下来。
python
from langgraph.graph import StateGraph, START, END

graph = StateGraph(State)                        # State:问题、检索结果、重试次数、答案
graph.add_node("retrieve", retrieve)             # 节点:检索
graph.add_node("generate", generate)             # 节点:生成
graph.add_node("rewrite", rewrite)               # 节点:改写问题(并把重试次数 +1)
graph.add_edge(START, "retrieve")
graph.add_conditional_edges("retrieve", is_good_enough,      # 条件边:看状态决定走哪条
                            {"yes": "generate", "no": "rewrite"})
graph.add_edge("rewrite", "retrieve")            # 改写后回去重新检索:循环
graph.add_edge("generate", END)
app = graph.compile()                            # 编译成可运行的应用

is_good_enough 里除了判断检索质量,还要判断重试次数:超过 2 次就直接去生成(或回答「没找到」),防止死循环。

4. checkpoint 与人在回路 ​

功能做什么用在哪
Checkpoint(检查点)每一步执行完把状态存下来;中断后从上次的位置续跑;还能回看每一步的状态长流程、多轮对话的记忆、排查问题
Human-in-the-loop(人在回路)执行到关键节点先暂停,等人审批或修改状态后再继续发邮件、付款、删除数据这类不可逆操作前

checkpoint 和 Spark 的 checkpoint、深度学习训练的 checkpoint 是同一个思想:把中间状态存下来,出事了不用从头再来。

5. 用框架还是手写? ​

用框架手写
好处零件现成、开发快;LangGraph 的状态、循环、checkpoint、审批开箱即用每一步都清楚,好调试,没有多余的抽象
代价封装层多,出错不好查;版本更新快,接口常变重复造轮子,复杂流程要自己实现状态管理
适合原型快速验证;有分支、循环、审批的复杂 Agent流程简单固定;对性能和可控性要求高

Workflow 和 Agent 的区别(详见 Agent 是什么):下一步由代码决定是工作流,由模型决定是 Agent。能用工作流解决的就不要上 Agent,工作流更稳定、可控、好排查。LangGraph 两种都能画:条件边由固定规则判断,就是工作流;由模型决定下一步调哪个节点,就是 Agent。

面试时如果没在项目里用过框架,就如实说:「我了解概念,自己的项目是手写实现的,这样每一步都清楚,比如检索怎么打分、失败了怎么降级。」

为什么这么设计 ​

为什么有了 LangChain 还要 LangGraph? ​

  • 问题:LangChain 的链是直线,表达不了「检查不合格就回去重做」「根据结果走不同分支」「执行到一半等人审批」。
  • 方案:用图来表达流程:节点做事,边(包括条件边)决定走向,状态在节点之间传递。
  • 好处:分支、循环、可中断、可恢复都能清楚地表达和控制,适合复杂 Agent。

一句话答法

LangChain 提供零件并把它们串成直线;LangGraph 用节点、边和状态把流程画成图,支持条件分支、循环、checkpoint 和人工审批,适合编排复杂的 Agent。

为什么要用「状态」在节点之间传递数据? ​

  • 问题:节点之间如果各自传参数,流程一复杂(循环、分支、中断续跑),数据就乱了,也没法存下来。
  • 方案:所有节点读写同一份结构化的状态(问题、检索结果、重试次数……)。
  • 好处:数据流向清楚;状态可以存成 checkpoint,中断后能恢复、能回看每一步。

一句话答法

LangGraph 用一份共享的状态在节点之间传递数据,流程再复杂数据也不乱,而且状态能存成 checkpoint,中断后可以续跑、可以回看。

为什么很多团队选择手写? ​

  • 问题:框架封装层多,出错时要一层层翻源码;版本更新快,升级常常要改代码。
  • 方案:流程简单固定时,直接手写「检索 → 拼提示词 → 调模型 → 校验」。
  • 好处:每一步完全可控,好调试、好优化;复杂到需要状态管理和审批时,再引入 LangGraph。

一句话答法

框架省事但封装深、接口变化快,简单固定的流程手写更可控、好调试;需要分支、循环、状态管理和审批的复杂流程再用 LangGraph。

英文术语拆解 ​

术语拆开看一句话意思
LangChainLanguage 语言 + Chain 链大模型应用的零件库
LCELLangChain + Expression 表达式 + Language 语言用 | 串零件的写法
invoke调用运行一条链或一个图
LangGraphLanguage + Graph 图用图编排 Agent 的框架
Node / Edge节点 / 边图里的步骤 / 箭头
State状态在节点之间传递的共享数据
Conditional EdgeConditional 有条件的 + Edge 边按条件走不同分支
CheckpointCheck 检查 + point 点保存的中间状态
Human-in-the-loop人在回路中关键步骤等人审批

面试怎么问 ​

Q:LangChain 和 LangGraph 有什么区别?

LangChain 是零件库,提供模型、提示词模板、检索器、工具、输出解析器这些标准组件,用 LCEL 把它们串成直线的链,比如 prompt | llm | parser;LangGraph 把流程画成图,节点做事、边决定下一步、状态在节点间传递,支持条件分支、循环、checkpoint 断点续跑和人工审批,适合编排复杂的 Agent。

Q:Workflow 和 Agent 有什么区别?怎么选?

下一步由代码决定是工作流,由模型决定是 Agent。工作流稳定、可控、好排查;Agent 灵活,能处理没预料到的情况,但可能走偏、死循环、成本高。能用工作流解决的就不用 Agent。

Q:你在项目里用过 LangChain 吗?

如实回答。没用过就说:我了解它们的概念和用法,自己的项目是手写实现的,这样每一步都清楚,比如检索怎么打分、失败时怎么降级;如果流程变复杂、需要状态管理和审批,会考虑用 LangGraph。

Q:LangGraph 的循环怎么防止停不下来?

在状态里记录重试次数或步数,条件边判断时检查:超过上限就走向结束或兜底节点,比如直接生成「没找到相关资料」。框架本身也有递归次数上限作为最后的保险。

容易混的地方 ​

  • 框架不改变原理:用不用 LangChain,RAG 的切块、检索、重排、评估都一样要做好。
  • LangGraph ≠ 一定是 Agent:条件边由规则判断就是工作流,由模型判断才是 Agent。
  • LangChain4j / Spring AI 是 Java 生态的同类框架,思路相近,接口不同。
  • checkpoint ≠ 长期记忆:checkpoint 保存的是一次流程的执行状态;长期记忆通常存在向量库或数据库里。

和其他知识的连接 ​

  • ← 来自 Agent 是什么:Workflow 和 Agent 的区别。
  • ← 来自 ReAct 与规划:ReAct 循环可以用 LangGraph 的节点和条件边画出来。
  • ← 来自 安全与评估:人在回路就是不可逆操作前的确认。
  • ← 来自 企业知识库架构:Java 里的 Spring AI、LangChain4j 是同类框架。
  • 横向对照 Spark 原理:Spark 的 checkpoint 和 LangGraph 的 checkpoint 都是「存中间状态,出事不用从头来」。

自测 3 问 ​

Q1:用一句话区分 LangChain 和 LangGraph。

点开看答案

LangChain 提供零件并把它们串成直线的链;LangGraph 用节点、边和状态把带分支、循环、审批的复杂流程画成图。

Q2:「检索不够好就改写问题重新检索」用 LangGraph 怎么表达?怎么防止死循环?

点开看答案

三个节点:检索、改写、生成。检索后接一条条件边:够好就去生成,不够好就去改写,改写后再连回检索。状态里记录重试次数,条件边判断超过上限(如 2 次)就直接去生成或兜底节点。

Q3:LangGraph 里同样是条件边,什么情况下算工作流,什么情况下算 Agent?

点开看答案

条件边由固定规则判断(比如分数是否大于阈值)就是工作流;由模型来决定下一步走哪个节点、调哪个工具,就是 Agent。

✅ 验收清单 ​

  • 能画出「大模型 → RAG → Agent → LangChain / LangGraph」的套娃关系
  • 能说出 LangChain 的 5 个零件,并写出 prompt | llm | parser
  • 能说清 Node、Edge、条件边、State,并画出带循环的检索流程图
  • 能说出 checkpoint 和人在回路各解决什么问题
  • 能说出用框架和手写各自的好处、代价,以及 Workflow 和 Agent 怎么选

下一步该懂什么 ​