企业官网建设流程全解析

LangGraph 与 LangChain 是深度协同、互补增强的关系。LangGraph 并不是取代 LangChain，而是在其基础上扩展了复杂控制流的能力，使得开发者可以构建更强大、灵活的 AI 应用（尤其是智能体系统）。以下是它们如何协同工作的详细说明：

架构关系：LangGraph 建立在 LangChain 之上

LangChain 提供了基础组件：

1. LLM 封装（如 ChatOpenAI, ChatAnthropic）
2. 工具（Tools）和工具调用（Tool Calling）
3. 提示模板（PromptTemplate）、输出解析器（OutputParser）
4. 记忆（Memory）、文档加载器、检索器等
   LangGraph 则提供流程编排能力：
5. 用图结构组织多个 LangChain 组件
6. 控制执行顺序、循环、条件分支等
7. 管理共享状态（State），实现多步骤推理
   简单说：LangChain 负责“做什么”，LangGraph 负责“怎么做、何时做、做几次”。

典型协同模式

用 LangChain 构建节点，用 LangGraph 编排流程

fromlangchain_openaiimportChatOpenAIfromlangchain_core.toolsimporttoolfromlangchain_core.messagesimportHumanMessagefromlanggraph.graphimportStateGraph,MessagesState# 1. 使用 LangChain 定义工具和模型@tooldefsearch(query:str)->str:return"北京今天的天气晴朗。"llm=ChatOpenAI(model="gpt-4o")llm_with_tools=llm.bind_tools([search])# 2. 在 LangGraph 节点中调用 LangChain 组件defagent_node(state:MessagesState):messages=state["messages"]response=llm_with_tools.invoke(messages)return{"messages":[response]}# 3. 用 LangGraph 编排（支持工具调用循环）workflow=StateGraph(MessagesState)workflow.add_node("agent",agent_node)workflow.set_entry_point("agent")workflow.add_conditional_edges("agent",# LangChain 的工具调用路由逻辑lambdax:"tools"ifx["messages"][-1].tool_callselseEND,)workflow.add_node("tools",ToolNode([search]))workflow.add_edge("tools","agent")app=workflow.compile()

这就实现了经典的 ReAct Agent 循环：思考 → 调用工具 → 观察 → 再思考。

LangChain 的 Memory / Checkpoint 与 LangGraph 集成

LangGraph 支持持久化状态（通过 checkpointer），可与 LangChain 的记忆机制结合：

fromlanggraph.checkpoint.memoryimportMemorySaver memory=MemorySaver()app=workflow.compile(checkpointer=memory)# 带线程 ID 的对话（类似 LangChain 的 Conversation ID）config={"configurable":{"thread_id":"user_123"}}result=app.invoke({"messages":[HumanMessage("你好")]},config)

这使得多轮对话状态可跨请求保留，与 LangChain 的 ConversationBufferMemory 思路一致，但更强大（支持任意状态结构）。

复用 LangChain 的高级抽象

1. 使用 create_react_agent（LangChain 提供）快速构建基础 Agent
2. 用 LangGraph 自定义更复杂的 Agent（如多角色、带验证、反思机制）
   LangGraph 给你“乐高积木”，LangChain 给你“预制模块”，两者结合可搭出任意复杂系统。

实际应用场景中的协作

客服机器人：
LangChain 处理意图识别 + 知识库检索，LangGraph 控制“澄清 → 查询 → 确认 → 结束”流程。
数据分析 Agent：
LangChain 调用 Python REPL 工具，LangGraph 实现“生成代码 → 执行 → 验证结果 → 修正”的循环。
多智能体系统：
每个智能体用 LangChain 构建，LangGraph 协调它们之间的消息传递和任务分配。