Harness 与 Agent 工程 · Agent架构与协作 · 2025-11-25

被 LangChain 全家桶搞晕了?LangGraph、LangSmith、LangFlow 一文读懂

LangChain生态工具太多分不清?一文帮你理清LangGraph、LangSmith、LangFlow的核心定位与使用场景。

核心内容:

  1. LangChain基础框架的模块化设计与LCEL粘合机制
  2. LangGraph对复杂业务流程的图结构编排能力
  3. LangSmith的可观测性与LangFlow可视化开发的价值定位

如果你正开发大模型应用,那你肯定绕不开 LangChain。但很快,你就会发现它的生态里冒出了 LangGraph、LangSmith、LangFlow 等一堆“亲戚”,让人有点摸不着头脑。它们之间到底是什么关系?我的项目究竟该用哪个?

这篇文章就是为了把这事儿说清楚。我们会逐一拆解这四个工具,帮你理解它们各自是干什么的,解决了什么问题,以及什么时候该轮到谁上场。

简单来说,这是一个开发者从原型到生产的典型路径:

一个经验之谈:通常我们用 LangChain 起步,随着业务逻辑复杂化,迁移到 LangGraph,同时用 LangSmith 监控全程,而 LangFlow 则在需要快速验证想法或与团队沟通时发挥价值。

LangChain:构建工作流的基础

LLM 本身一次只能处理一个 Prompt,但实际应用往往是一系列操作的组合:获取数据、调用工具、总结思考、甚至向用户追问。LangChain 的核心价值就是把这些零散的步骤串联起来。

我喜欢把它看作一套用于 LLM 应用的“乐高积木”,提供了诸如 Prompts、Models、Memory、Tools、Retrievers 这些标准件。而将这些积木粘合起来的,就是 LCEL(LangChain Expression Language)。

LCEL:用管道符 \\| 串联一切

LCEL 的设计哲学非常直观,就是用管道符 \| 把不同的组件连接成一个可执行的链(Chain)。每个组件都是一个 Runnable 对象,可以无缝拼接。

来看个最简单的例子:

from langchain_openai import ChatOpenAIfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParserllm = ChatOpenAI(model="gpt-4o-mini")prompt = ChatPromptTemplate.from_messages([ ("system", "You are concise."), ("human", "{question}")])# 这就是 LCEL 的魔力:像搭管道一样把组件连起来chain = prompt | llm | StrOutputParser()# 单次调用print(chain.invoke({"question": "Give me 3 focus tips."}))# 批量调用qs = [{"question": q} for q in ["One tactic for RAG?", "Explain LCEL in 1 line."]]print(chain.batch(qs))

代码里,prompt、llm 和 StrOutputParser 三个部分通过 \| 组合成一个 chain。这个 chain 不仅可以通过 invoke() 执行单次任务,还能用 batch() 并行处理多个输入,效率很高。这种声明式的写法让代码非常清晰。

结构化输出与工具调用

真实场景中,我们很少只需要纯文本回复。我们更希望 LLM 能返回格式化的数据(比如 JSON),或者调用外部工具(比如 API 查询)。

LangChain 结合 Pydantic 可以轻松实现结构化输出。通过 .with_structured_output() 方法,你可以告诉模型必须按照指定的 Pydantic 模型格式返回结果。

from pydantic import BaseModel, Fieldfrom typing import Listfrom langchain_openai import ChatOpenAIclass TaskPlan(BaseModel): title: str steps: List[str] = Field(..., min_items=3, description="actionable steps")structured_llm = ChatOpenAI(model="gpt-4o-mini").with_structured_output(TaskPlan)plan = structured_llm.invoke("Plan a 20-minute deep-work session for AI Agent notes.")print(plan.model_dump())

这样一来,你得到的 plan 就是一个可以直接操作的 Python 对象,而不是一堆需要手动解析的字符串。

工具调用也同样简单。你可以用 @tool 装饰器把任何 Python 函数包装成一个 LLM 可以调用的工具,然后通过 .bind_tools() 方法“告诉”模型它有哪些工具可用。

from langchain_core.tools import toolfrom langchain_openai import ChatOpenAI@tooldef multiply(a: int, b: int) -> int: """This tool multiplies two numbers.""" return a * bllm = ChatOpenAI(model="gpt-4o-mini")# 把工具“绑定”给模型llm_with_tools = llm.bind_tools([multiply])resp = llm_with_tools.invoke("What is 9*5? If needed, use a tool.")print(resp.tool_calls or resp.content)

当模型判断需要使用工具时,它的返回结果中就会包含工…

— 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/2025112532657.html