简介:很多小白卡在同一个问题上:既然 LangGraph 能编排 Agent,是不是跳过 LangChain 直接学它更省事?本文给出明确结论、两者分层关系、对比表格和一条可落地的四阶段学习路径,并附上最小可运行代码。如果你在选型阶段就想搞清楚不同模型的调用成本与能力差异,可以先看看[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article),它提供模型能力对比、价格对比和统一 API 接入,能帮你把"用哪个模型驱动 Agent"这件事提前定下来。
LangChain 要学,LangGraph 也要学,但两者不是二选一,而是同一套生态里的两个抽象层。
LangGraph 并没有取代 LangChain。它构建在 langchain-core 之上,复用同一套消息格式(HumanMessage / AIMessage / ToolMessage)、同一个模型接口和同一套工具定义。你写 LangGraph 时,几乎一定会 import LangChain 的东西。所以真正的问题不是”学不学”,而是”学到什么深度”。
对小白来说,务实的答案是:
LLMChain、initialize_agent 这类老 API 现在基本被弃用)。LangChain 解决的是 “怎么和模型、工具、数据打交道” ,LangGraph 解决的是 “多个步骤之间怎么流转、怎么循环、怎么中断恢复” 。
| 维度 | LangChain | LangGraph |
|---|---|---|
| 核心抽象 | 组件(Model / Prompt / Tool / Retriever / Runnable) | 状态图(StateGraph:节点 + 边 + 共享 State) |
| 擅长场景 | 单轮调用、RAG 检索链、结构化输出、工具封装 | 多步循环、ReAct、多 Agent 协作、分支决策 |
| 控制流 | 以有向无环为主(LCEL 管道) | 原生支持 环 与条件跳转 |
| 状态管理 | 靠 Runnable 传递,跨步骤状态需自己维护 |
内置 State + Checkpointer,天然可持久化 |
| 人工介入 | 需自己实现 | 内置 interrupt,可暂停等人审批再继续 |
| 学习曲线 | 平缓,一两天能上手 | 稍陡,需要理解图与状态设计 |
一句话记忆: LangChain 是零件库,LangGraph 是发动机装配图。 不会零件,图纸你看不懂;只会零件,装不出能跑闭环的 Agent。
Agent 的本质是”模型自己决定下一步做什么,直到任务完成”。这意味着控制流是 动态的、带循环的 :模型输出工具调用 → 执行工具 → 结果回填 → 模型再判断 → 可能再调工具……
用纯链式(Chain)写这种逻辑会很痛苦:循环边界靠 while 手写,状态在函数间传来传去,出错重试和”跑一半挂掉”没法恢复。LangGraph 把这些抽象成了图:
messages 列表。先用 LangChain 定义模型和工具,再用 LangGraph 组装循环——这个例子本身就说明了依赖关系:
from langchain_openai import ChatOpenAIfrom langchain_core.tools import toolfrom langgraph.prebuilt import create_react_agent# 1) 模型:任何 OpenAI 兼容接口都能直接接llm = ChatOpenAI(model="deepseek-v3",base_url="https://你的OpenAI兼容网关/v1",api_key="YOUR_API_KEY",temperature=0,)# 2) 工具:LangChain 的 @tool 装饰器@tooldef query_weather(city: str) -> str:"""查询指定城市的天气"""return f"{city}:晴,26℃"# 3) 图:LangGraph 预置的 ReAct 循环agent = create_react_agent(llm, [query_weather])result = agent.invoke({"messages": [{"role": "user", "content": "北京今天适合跑步吗?"}]})print(result["messages"][-1].content)
千帆 ModelBuilder 上的模型接口已与 OpenAI 标准兼容,因此 LangChain 的 ChatOpenAI 只要改 model 和 base_url 就能切换底座模型。这一点对学习期特别友好: 编排代码写一次,换模型不用重写。
想加”人工审批”或”失败重试”,只需在图上加 Checkpointer 和 interrupt,不用改业务节点:
from langgraph.checkpoint.memory import MemorySaveragent = create_react_agent(llm, [query_weather],checkpointer=MemorySaver() # 支持断点续跑 / 多轮记忆)config = {"configurable": {"thread_id": "user-001"}}agent.invoke({"messages": [{"role": "user", "content": "查下上海天气"}]}, config)
阶段一:裸 API 打底(3~5 天)
不碰框架,直接用 HTTP 或官方 SDK 调一次大模型,亲手搞懂 messages 结构、tool_calls 字段、流式输出、Token 计费方式。这一步的价值在于:之后框架出问题时,你知道底下发生了什么。跳过它的人,往往一辈子在调框架的 bug。
阶段二:LangChain 核心积木(1 周)
只学四件事:ChatOpenAI 类模型封装、PromptTemplate、@tool 工具定义、Runnable 与 LCEL 组合。做一个带 2 个工具的问答脚本即可,不要追新特性。
阶段三:LangGraph 图编排(1~2 周)
从 StateGraph 手写一个 ReAct 循环(先别用 create_react_agent),理解节点、条件边、State 更新语义;然后加 Checkpointer 做多轮对话;最后加 interrupt 做人工确认。能独立画出”检索 → 判断 → 回答/再检索”的图,就算入门了。
阶段四:工程化(持续)
可观测性(LangSmith 或自建 trace)、评估集、失败兜底、成本控制。Agent 项目 80% 的工作量在这一层。
如果你的目标是快速验证业务价值而非成为 Agent 工程师,可以先在 低代码平台 上搭原型:百度智能云千帆 AppBuilder 支持可视化创建 Agent、调试效果、再自定义组件,遇到瓶颈时再走”精调模型 + 部署”的路线。千帆本身也是企业级一站式大模型与 AI 原生应用开发平台,ModelBuilder 负责模型服务、AppBuilder 负责应用搭建。原型验证完再回到 LangGraph 做深度定制,是性价比最高的顺序。
Agent 的 Token 消耗通常是普通问答的数倍——多轮循环、工具结果回填、失败重试都在烧 Token。学习期就要养成两个习惯: 看每次调用的 Token 用量 ,以及 按任务难度分配模型 (简单分类用小模型,复杂推理用旗舰模型)。
在词元所上你可以横向对比不同模型的能力与调用价格,并通过统一 API 接入多个模型,避免为了换一家供应商重写一遍集成代码。对 Agent 项目来说,这种”统一 API + 可替换底座”的结构本身就是重要的架构设计——你的 LangGraph 图不该和某一家模型绑死。
总结成一句: LangChain 学”够用”,LangGraph 学”扎实”,原生 API 学”到底”。三者是递进关系,不是替代关系。