LangChain与LangGraph的区别

最新推荐文章于 2025-05-07 10:46:41 发布
最新推荐文章于 2025-05-07 10:46:41 发布
阅读量3.7k 收藏 12
点赞数 10
文章标签： langchain 人工智能 算法 产品经理 AI编程 大模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Z987421/article/details/145298791
版权

在大模型领域，LangChain和LangGraph是两个备受关注的框架，它们都旨在帮助开发者利用大型语言模型（LLM）构建应用程序，但二者在设计理念、架构、功能和适用场景等方面存在诸多区别。

一、LangChain介绍

LangChain是一个用于开发由大型语言模型驱动的应用程序的框架。它通过一系列开源构建模块、组件和第三方集成，简化了LLM应用程序生命周期的每个阶段。LangChain的核心是“链”（Chain），即将多个LLM调用和工具调用链接在一起，形成一个有序的任务序列。其架构遵循有向无环图（DAG）结构，任务按单一方向流动，不形成循环。LangChain的主要特点包括：

  • 组件丰富

    ：提供了文档加载器、文本分割器、记忆组件等多种组件，方便开发者构建和定制应用程序。

  • 易于集成

    ：能够与外部API、数据库等工具无缝集成，拓展了LLM的应用能力。

  • 适用场景

    ：适合处理预定义的、顺序明确的工作流程，如数据检索、内容总结、简单问答等。

二、LangGraph介绍

LangGraph是LangChain生态系统中的一个专门库，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。LangGraph的架构更加灵活，支持循环、回溯以及处理多样化的用户输入。其核心优势在于：

  • 强大的状态管理

    ：拥有一个中央状态组件，确保在整个交互过程中保持上下文的连续性，这对于需要持久化上下文的复杂应用至关重要。

  • 多智能体支持

    ：非常适合构建多个智能体相互协作的场景，如任务管理助手、虚拟助理等。

  • 适用场景

    ：适用于需要动态、复杂交互的工作流程，如任务管理、事件驱动的监控系统等。

三、LangChain与LangGraph的区别

在这里插入图片描述

四、选择建议

  • 选择LangChain

    ：如果你的应用场景具有预定义的顺序工作流程，如需要从API获取数据并进行总结的简单任务，或者你更倾向于一个直接、模块化的框架，LangChain将是不错的选择。

  • 选择LangGraph

    ：当你的项目需要动态的、有状态的交互，例如构建一个多智能体协作的任务管理系统，或者需要在复杂的工作流程中保持持久的上下文时，LangGraph会更加适合。

总之，LangChain和LangGraph各有优势，应根据项目的具体需求和复杂程度来选择最合适的框架，以充分发挥大型语言模型的潜力，构建出高效、智能的应用程序。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

【AI Agent系列】【LangGraph】0. 快速上手：协同LangChain，LangGraph帮你用图结构轻松构建多智能体应用
同学小张的博客
04-02 4825
LangGraph 是在 LangChain 的基础上实现的一个多智能体的运行框架。它扩展了LangChain表达式语言，能够以循环的方式在多个计算步骤中协调多个链（或参与者）。
大模型应用开发技术：LangChain+LangGraph+LangSmith接入Ernie Speed 大模型 Multi-Agent框架案例实战（三）实战代码
段智华的博客
06-19 676
LangGraph LangChain Multi Agent
LangChain 和 LangGraph 该怎么选？
m0_59163425的博客
04-15 742
无论是个人开发者还是企业团队，在借助大语言模型（LLM）开发有趣又有价值的应用时，“用什么工具” 往往是最先面临的技术难题。今天，咱们就深入探讨两款构建 LLM 应用的热门框架 ——LangChain 和 LangGraph，帮你拨开迷雾，做出最适合的选择！当下，生成式 AI 领域发展迅猛，新框架、新技术层出不穷。所以大家阅读本文时要注意，文中信息可能会随着时间推移而变化哦！
用LangChain还是LangGraph？官方终于站出来表态了
Androiddddd的博客
03-16 2370
仅使用 LangChain仅使用 LangGraph同时使用 LangChain 和 LangGraph此外，你也可以将 LangGraph 的图结构编排能力与其他 Agent 框架（如微软的 AutoGen）结合，例如：将 AutoGen 的 Agent 作为 LangGraph 的节点LangChain 和 LangGraph 各有优势，选择合适的工具可能会让人感到困惑。那么，应该在什么情况下使用？线性任务（Linear Tasks）：文档检索、文本生成、摘要等预定义的工作流。
探索从传统LangChain代理迁移到LangGraph的实用指南
ppoojjj的博客
09-26 488
LangChain：早期的AI代理执行框架，通过AgentExecutor来对代理进行配置和调用。LangGraph：更现代化的框架，提供改进的状态管理和可扩展性，有助于处理复杂的信息流。迁移至LangGraph不仅提供了更高效的状态管理，还为复杂的任务提供了更好的工具调用机制。建议查阅LangGraph的官方文档和示例，以进一步了解其强大功能。
LangChain、LangServe、LangSmith 和 LangGraph区分
荣山的博客
08-18 1394
LangChain 提供了一种模块化的方法来组合不同的组件，如提示工程、文档检索、API 调用等，以创建复杂的自然语言处理应用。LangSmith 是一个用于测试、评估和监控语言模型的平台。LangGraph 是一种技术栈或框架，用于构建和查询基于图的语言处理应用。LangChain、LangServe、LangSmith 和 LangGraph 分别代表了不同的概念和技术，它们在自然语言处理（NLP）和人工智能领域各有侧重。LangServe 可能是指一种服务或框架，用于部署语言模型的API接口。
零基础手把手大模型应用开发之LangGraph教程（一）：什么是LangGraph？与LangChain的区别？【附详细代码】
weixin_41496173的博客
05-18 9568
零基础手把手大模型应用开发之LangGraph教程（一）：什么是LangGraph？与LangChain的区别？【附详细代码】
大模型入门实战：通过 HuggingFace 调用 Llama3
python12345_的博客
01-10 1520
至此，我们成功演示了如何通过 Hugging Face 的 Transformers 调用 Llama 模型，并获取了模型的回答。但是如果你的需求只是简单地调用模型，而无需进行微调或复杂的部署，可以尝试使用 Ollama。它不仅操作更加便捷，还提供了开箱即用的 RESTful 接口，适合快速集成到生产环境中。下一篇，我将会讲解如何通过 Ollama 下载部署 Llama 模型并调用。
LangChain与LangGraph的区别？
荣山的博客
10-23 598
无论是开发交互式代理、复杂决策系统还是迭代处理模型，LangGraph都提供了所需的工具和灵活性，使您能够创造更智能和响应更迅速的应用。LangGraph通过扩展LangChain的功能，引入循环计算和状态执行，显著提升了LLM应用的能力。LangGraph以其循环计算、状态执行和条件逻辑，成为开发者探索LLM应用新可能的关键工具。
打造智能应用：LangChain与LangGraph的综合指南
nseejrukjhad的博客
11-07 956
在本文中，我们从基础到进阶，介绍了如何借助LangChain和LangGraph构建智能应用程序。
如何使用LangChain和LangGraph大幅提升RAG效果
musicml的博客
03-27 2327
▼最近直播超级多，预约保你有收获—1—LangChain 的2大核心概念1、面向过程架构设计的 Chains（链）：基于大模型编写的程序，遵循预定义的步骤和规则，并且不可灵活调整，用于执行任务，比如：自动 SQL 编写或多轮对话等。2、面向目标架构设计的 Agents（智能体）：基于大模型的推理能力，对任务做出规划，然后使用第三方工具（比如：搜索工具、代码解释器、业务 API 等）完成规划子任务...
LangChain 与 LangGraph双生框架协同构建AI应用
neweastsun的专栏
02-27 1059
模块化集成与多轮对话管理。前者通过标准化接口简化工具链组合，后者通过图结构建模确保对话连贯性。二者的技术差异体现在架构设计（链式 vs. 图状）、状态管理方式（单次传递 vs. 全局维护）和适用场景（单任务流程 vs. 多轮交互）。实际开发中，开发者可根据需求单独使用或混合集成，例如用 LangChain 构建行程规划工具链，再通过 LangGraph 实现用户追问时的上下文延续。这一互补关系为构建下一代智能应用提供了灵活的技术基础。
LangChain和LangGraph：大模型应用开发的得力助手
最新发布
攻城狮7号的博客
05-07 1119
在人工智能飞速发展的当下，大型语言模型（LLM）展现出了令人惊叹的能力，为自然语言处理领域带来了革命性的变化。然而，要将这些强大的语言模型有效地应用到实际场景中，并非易事。这时，LangChain和LangGraph等工具应运而生，它们为开发者提供了便捷的途径，让大模型的应用开发变得更加高效和灵活。本文将深入探讨LangChain和LangGraph的特点、区别、作用以及应用场景，帮助读者更好地理解和运用这两款工具。LangChain是一个开源的编排框架，旨在简化使用大型语言模型开发应用程序的过程。
AI大模型：LangChain框架：Agent之LangGraph的使用
Y525698136的博客
11-14 1406
LangChain的核心优势在于其能够轻松构建自定义链，这些链通常是线性的，类似于有向无环图（DAG），每个步骤都严格按顺序执行，每个任务只有一个输出和一个后续任务，形成一个没有循环的线性流程。
LangChain生态全解析： LangGraph、LangFlow、LangSmith
Androiddddd的博客
12-17 2996
LangGraph、LangChain、LangFlow和LangSmith各自针对语言模型应用的不同开发和管理需求。LangGraph提供直观的图形化工作流构建，LangChain以代码为中心，适合生产级应用开发。LangFlow简化了低代码/无代码的视觉工作流创建，而LangSmith专注于监控和调试，确保工作流的优化与稳定。选择工具时，考虑你的项目需求：是快速原型设计、生产扩展还是性能监控。同时，评估你对代码的熟悉度、工作流的复杂性，以及对易用性、灵活性和可观测性的需求。
【LLM大模型】LangChain框架：Agent之LangGraph的使用
DEVELOPERAA的博客
07-30 2636
LangChain的核心优势在于其能够轻松构建自定义链，这些链通常是线性的，类似于有向无环图（DAG），每个步骤都严格按顺序执行，每个任务只有一个输出和一个后续任务，形成一个没有循环的线性流程。
从LangChain升级LangGraph，大幅提升智能体性能
csdn1561168266的博客
05-30 1538
迁移至LangGraph的智能体会获得更深层次的能力和灵活性。按照既定步骤并理解系统消息的概念，将有助于实现平滑过渡，并优化智能体的性能表现。为了获得更全面的迁移指导和掌握高级技术，建议查阅官方LangChain文档。
langchain langgraph 前端
01-08
### 关于 LangChain 和 LangGraph 前端集成 LangChain 和 LangGraph 是两个专注于自然语言处理 (NLP) 及图数据库技术的框架，在前端方面，这些工具通常通过 RESTful API 或 WebSocket 实现与客户端应用的交互。 #### 使用库的方式实现集成 对于 LangChain 和 LangGraph 的前端集成，开发者可以选择多种 JavaScript 库来简化开发流程。Axios 是一种流行的 HTTP 客户端，可用于发起请求并与后端服务通信[^1]： ```javascript import axios from 'axios'; async function getAnalysisResults() { try { const response = await axios.get('http://localhost:8000/analysis'); console.log(response.data); } catch (error) { console.error(error); } } ``` React Query 提供了一种声明式的获取、缓存和更新异步数据的方法，非常适合用来管理来自 LangChain 或者 LangGraph 后端的数据流[^2]: ```javascript import { useQuery } from "react-query"; function AnalysisPage() { const fetchAnalysisData = async () => { const res = await fetch('/api/get-analysis-data'); return res.json(); } const { data, error, isLoading } = useQuery('repoData', fetchAnalysisData); if (isLoading) return 'Loading...'; if (error) return 'An error has occurred.'; return ( <ul> {data.map(item => ( <li key={item.id}>{item.name}</li> ))} </ul> ); } ``` #### 示例项目的结构化方式 创建一个简单的 React 应用程序作为前端界面，该应用程序连接到运行中的 LangChain 或 LangGraph 服务器实例。此项目可能包括以下几个部分: - **组件**: 构建用户界面所需的各个独立功能模块。 - **API 调用层**: 封装所有对外部服务（如 LangChain/LangGraph）调用逻辑的地方。 - **状态管理层**: 如果需要更复杂的状态控制，则可以考虑引入 Redux 或 MobX 等解决方案。 这种架构有助于保持代码清晰有序，并使得维护更加容易。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值