Harness 与 Agent 工程 · Agent架构与协作 · 2025-09-19

AI Agent 软件工程关键技术综述

探索AI Agent开发的两大核心框架:LangChain与LangGraph的差异与应用场景,助你高效构建智能应用。

核心内容:

  1. LangChain与LangGraph的核心区别:静态链式工作流 vs 动态分支工作流
  2. 两大框架的典型应用场景与协同工作方式
  3. 学习路径建议与基础语法示例

LangChain、LangGraph 和 LangSmith 开发框架

LangChain v.s. LangGraph

LangChain 和 LangGraph 出自于同一个团队,都被设计用于与 LLM 集成并协同工作,两者常被混淆。但顾名思义,两者有着显著的区别:

显然,LangChain 和 LangGraph 有着不同的应用场景,LangChain 专注于提供组件和 LCEL(LangChain Expression Language)链式编程语法,适合简单的一次性任务;LangGraph 则是构建有状态 Agent 系统的理想选择。两者并不互斥,可以协同工作。例如:在 LangGraph 中的一个 Node 可以使用LangChain 来定义一系列步骤。

所以,在学习 LangGraph 前,建议先学习 LangChain 的基础知识。虽然使用 LangGraph 创建智能体或许不需要完全掌握 LangChain,但扎实掌握其基础知识肯定会有所帮助。

特性对比:

应用场景对比:

LangChain

LangChain 是一个开发 LLM AI 应用程序的基础框架,封装并提供了各种常用的接口和工具,可以方便开发者快速调用并实现业务功能,加快开发速度。 官方手册:https://python.langchain.com/docs/introduction/

  1. 调用 LLM 的统一接口
  2. 搜索、文档处理、向量数据库处理等工具
  3. 链式调用(Chains)语法
  4. 记忆管理
  5. 提示词模版
  6. 等

LangChain 的 LCEL 语法示例:

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(linefrom langchain.chat_models import ChatOpenAIfrom langchain.prompts import ChatPromptTemplatemodel = ChatOpenAI()prompt = ChatPromptTemplate.from_template("请回答以下问题:{question}")# LCEL 链式编排chain = prompt | model# 运行链result = chain.invoke({"question": "什么是人工智能?"})

LangGraph

LangGraph 基于 LangChain 之上,是一个基更高级的 AI Agent 编排框架,可以处理复杂的 Workflow 编排和 Multi-Agent 编排。 官方手册:https://langchain-ai.github.io/langgraph/

  1. 图结构架构:支持条件分支、循环、并行、回溯等复杂的控制流。
  2. 状态管理:基于状态(State)的工作流处理,拥有强大的状态管理模块,确保上下文连续性。
  3. 检查点(Checkpoints)管理:支持人工介入二次检查
  4. 等

顾名思义,Lang(语言)+ Graph(图)= 用图结构组织 LLM AI 的思考流程。如下图所示。

值得注意的是 LangGraph 中的 State 机制。常规的 LLM 模型 API 调用不能维持多步骤的连续推理过程,每次对话都是独立的,不能记住之前的处理结果,也不能基于中间结果动态调整后续步骤。LangGraph State 正是为了解决这个问题,它将复杂任务分解成多个步骤,并记住每个步骤的结果。后续步骤可以访问前面步骤的结果和数据,并根据结果判断调整执行路径,最终完成整个任务链条。

LangGraph 的图结构编程示例:

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(linefrom langgraph.graph import StateGraphfrom typing import TypedDictclass State(TypedDict): messages: list current_step: strdef node_a(state: State) -> State: return {"messages": state["messages"] + ["处理A"], "current_step": "A"}def node_b(state: State) -> State: return {"messages": state["messages"] + ["处理B"], "current_step": "B"}# 创建图结构graph = StateGraph(State)graph.add_node("node_a", node_a) # nodegraph.add_node("node_b", node_b) # nodegraph.add_edge("node_a", "node_b") # edge

执行模式对比:

LangSmith

LangSmith 是一个针对 Agent 和 LLM Call 之间的可视化监控、追踪、调试、测试和评估平台:

Agent-chat UI

Agent-chat UI 是 LangChain Ecosystem 中的一部分,帮助开发者快速搭建一个基于 AI Agent 的 Chat WebUI。 项目地址:https://github.com/langchain-ai/agent-chat-ui

RAG

RAG(Retrieval Augmented Generation,检索增强生成)最初用于解决 LLM 数据过时、幻觉和偏见问题,现今也常被用于注入私域知识。是 Agent 和 LLM 交互环节中的一个重要组成部分。

RAG 是缓解或解决上述问题的良药,核心是 “动态知识注入机制”,提供了一个外部知识存储,在不修改 LLM 参数的前提下,通过 “外挂” 的形式为 LLM 补充 “实时、准确、私域” 的知识,拓宽了 LLM 的知识边界。

如下图所示,RAG 的核心流程有检索阶段、增强阶段和生成阶段。

MCP

Agentic AI 解决了 LLM 无法操作外部环境的问题,RAG 解决了 LLM 知识边界固化的问题,使得 LLM 应用的潜力得到了极大的扩展。而 Anthropic 于 2024 年 11 月推出的 MCP(Model Context Protocol,模型上下文协议)则是为了解决 LLM 上下文的局限性问题,包括:

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/langchain/2025091927306.html