16.3分别总结langchain 和langgraph 之间的区别

LangChain 与 LangGraph 在记忆管理上的核心差异，可以概括为：LangChain 是提供记忆工具的“工具箱”，而 LangGraph 则是赋予了 Agent 管理状态能力的“骨架与引擎”。

两者并非替代关系，而是在构建复杂 AI 应用中互补协作。下面这个表格可以帮你更清晰地理解它们的区别：

🧐 LangChain vs. LangGraph：核心概念对比表

为了让理解更透彻，我们通过具体的代码案例，来看看它们在实践中是如何工作的。

🧠 LangChain 案例：使用ConversationBufferMemory实现基础记忆

这个例子直接展示了如何让基于 LangChain 构建的对话链拥有短期记忆。

# LangChain Memory 示例importosfromdotenvimportload_dotenvfromlangchain_openaiimportChatOpenAIfromlangchain.chainsimportConversationChain# 使用最简单的内存缓冲区来保存对话历史fromlangchain.memoryimportConversationBufferMemory load_dotenv()# 1. 初始化模型（以阿里云百炼的 Qwen 为例）llm=ChatOpenAI(model="qwen-plus",temperature=0.7,api_key=os.getenv("DASHSCOPE_API_KEY"),base_url=os.getenv("DASHSCOPE_BASE_URL","https://dashscope.aliyuncs.com/compatible-mode/v1"),model_kwargs={"extra_body":{"enable_thinking":False}})# 2. 创建 Memory 和 Chainmemory=ConversationBufferMemory()conversation=ConversationChain(llm=llm,memory=memory,verbose=True# 设为 True 可以看到内部处理流程)# 3. 多轮对话测试print("LangChain Memory 示例：")response_1=conversation.predict(input="我叫小明，我喜欢编程。")print(f"助手:{response_1}\n")response_2=conversation.predict(input="你还记得我叫什么名字吗？")print(f"助手:{response_2}\n")

代码分析：

• ConversationBufferMemory是一个外部组件，负责记录对话历史。
• ConversationChain将 LLM、Prompt、Memory 串联成一个线性链条。每次调用时，它会自动从 Memory 中加载历史，并拼接到 Prompt 中。
• 局限性：这是一种“被动”的记忆。记忆和“思考”（调用模型）是两个分离的步骤，很难处理记忆需要根据模型输出进行复杂更新的场景。

🤖 LangGraph 案例：基于状态图的智能 Agent

这个案例构建了一个能进行多轮对话，并可以根据用户指令“重置记忆”的 Agent。这是 LangGraph 管理的“动态状态”的一个典型应用。

# LangGraph 状态管理示例importosfromtypingimportTypedDict,Literalfromdotenvimportload_dotenvfromlangchain_openaiimportChatOpenAIfromlangchain_core.messagesimportHumanMessage,AIMessagefromlanggraph.graphimportStateGraph,END load_dotenv()# 1. 初始化模型llm=ChatOpenAI(model="qwen-plus",temperature=0.7,api_key=os.getenv("DASHSCOPE_API_KEY"),base_url=os.getenv("DASHSCOPE_BASE_URL","https://dashscope.aliyuncs.com/compatible-mode/v1"),model_kwargs={"extra_body":{"enable_thinking":False}})# 2. 定义状态图的状态结构 (TypedDict)classAgentState(TypedDict):messages:list# 对话历史should_reset:bool# 重置标志# 3. 定义图节点 (Graph Nodes)defagent_node(state:AgentState):"""Agent 节点：调用模型，处理当前状态"""messages=state["messages"]response=llm.invoke(messages)return{"messages":state["messages"]+[response],"should_reset":False}defcheck_reset_node(state:AgentState):"""分析是否需要重置状态"""last_message=state["messages"][-1].content# 如果用户说了“重置会话”，则将 should_reset 标志设为 Trueif"重置会话"inlast_message:print("🔔 检测到重置指令，准备清空记忆...")# 清空历史消息，保留最新一条是 AI 的响应return{"messages":[],"should_reset":True}return{"should_reset":False}defreset_node(state:AgentState):"""执行状态重置，并给出提示"""return{"messages":[AIMessage(content="好的，我已经重置了我们的对话记忆。")],"should_reset":False}# 4. 定义条件路由defshould_continue(state:AgentState)->Literal["continue","reset","end"]:ifstate.get("should_reset"):return"reset"# 若没有重置指令，判断是否是结束ifstate["messages"]and"退出"instate["messages"][-1].content:return"end"return"continue"# 5. 构建状态图 (StateGraph)builder=StateGraph(AgentState)builder.add_node("agent",agent_node)builder.add_node("check_reset",check_reset_node)builder.add_node("reset",reset_node)builder.set_entry_point("agent")builder.add_edge("agent","check_reset")builder.add_conditional_edges("check_reset",should_continue,{"continue":"agent","reset":"reset","end":END})builder.add_edge("reset","agent")# 重置后回到 agent 节点继续对话graph=builder.compile()# 6. 运行测试print("LangGraph 状态管理示例：")initial_state={"messages":[HumanMessage(content="我叫小明，我喜欢编程。")]}final_state=graph.invoke(initial_state)print(f"助手:{final_state['messages'][-1].content}\n")# 告诉 AI 要重置会话second_state=graph.invoke({"messages":final_state["messages"]+[HumanMessage(content="重置会话")]})print(f"助手:{second_state['messages'][-1].content}\n")# 重置后再次对话third_state=graph.invoke({"messages":second_state["messages"]+[HumanMessage(content="你还记得我叫什么吗？")]})print(f"助手:{third_state['messages'][-1].content}")

代码分析：

• AgentState是图的核心。messages和should_reset这两个字段共同构成了 Agent 的“记忆”。
• agent_node和check_reset_node都能读取这个共享状态。check_reset_node根据模型输出，动态修改should_reset标志，触发了reset_node重置messages的操作。
• 这里的“记忆”（messages）不再是独立组件，而成为了 Agent“思考”（agent_node）和“行动”（路由到不同节点）的内在燃料。

🤝 LangChain 与 LangGraph：协同工作的两种模式

在实际开发中，你不需要二选一，因为 LangGraph 本身就是 LangChain 生态的一部分。它们通常以以下方式协同：

• LangGraph 是“骨架”，LangChain 是“血肉”：LangGraph定义整个 Agent 的工作流（骨架），而每个图节点内部的具体任务，如“调用 LLM”、“加载文档”等，则由LangChain提供的工具和模块来完成。
• 分层的记忆体系：你可以使用LangChain的ConversationSummaryMemory对长对话生成摘要，解决 LLM 上下文窗口限制；然后，将这个摘要作为“压缩后的历史”，存入LangGraph的状态State中，供后续节点使用。

✨ 实践建议与面试准备

• 今日实践：

  1. 修改LangChain案例中的 Memory 类型为ConversationBufferWindowMemory或ConversationSummaryMemory，感受不同记忆策略的行为差异。
  2. 在LangGraph案例中，为AgentState添加一个user_preference字段，并在对话中根据用户输入更新这个偏好，让 Agent 表现得更加个性化。
  3. 尝试将LangChain的ConversationSummaryMemory集成到LangGraph的agent_node中，实现一个分层记忆的 Agent。

• 面试准备：

  • 问：LangChain 和 LangGraph 能替代对方吗？
    • 答：不能。两者是互补而非替代关系。LangChain提供构建块，LangGraph负责将这些块编排成复杂流程。LangGraph是LangChain生态向高复杂度场景的自然演进。
  • 问：什么时候该用 LangGraph 而不是 LangChain？
    • 答：当你的 Agent 需要支持循环和回溯，或需要长对话记忆与中断后恢复，或需要人工介入审批，又或是涉及多 Agent 协作时。
  • 问：LangGraph 如何实现持久记忆？
    • 答：通过它的Checkpointer接口。它能在每一步执行后将整个图的状态State保存下来。当用户再次发起请求时（如重启后的对话），我们可以加载之前的checkpoint，让 Agent 无缝“回忆”起之前的所有信息。

如果对某个细节想要更深入的了解，随时可以告诉我～