LangChain与LangGraph实战指南：构建生产级AI Agent的完整方法论-平芜编程栈

LangChain与LangGraph实战指南：构建生产级AI Agent的完整方法论

引言

2025年10月，LangChain和LangGraph同步发布了1.0版本。这件事在技术圈没有引起太大轰动，大多数人甚至没有注意到。但如果你在关注AI Agent的开发框架，这个时间点值得你停下来想一想。

LangChain从2022年底诞生，到现在不过三年多。三年时间，一个框架从0到1.0，迭代了三个完整的版本。2023年火的是Chain和RAG，2024年大家在聊Agent Workflow，2025年开始谈的是Long-Horizon Agents和Agent Harness。变化的不是版本号，变化的是整个AI应用开发的底层逻辑。本文将带你深入掌握LangChain和LangGraph的核心机制，从基础概念到生产级实战，构建真正可用的AI Agent系统。

一、LangChain 1.0：架构重构与核心能力

LangChain 1.0版本完成了从"混乱但功能丰富"到"清晰且稳定"的架构重构。这次重构的核心是模块化——将原来的巨型包拆分为多个独立但可组合的子包。

langchain-core是底层标准抽象层，定义了所有组件的接口规范，没有第三方依赖。它是整个LangChain生态的"宪法"，确保所有组件能够无缝协作。langchain主包聚焦Agent构建，提供create_agent()等高阶API，是开发者最常使用的包。langchain-[partner]是官方厂商集成包（如langchain-openai、langchain-anthropic），经过充分测试，是生产环境的首选。langchain-community是社区贡献组件，功能丰富但质量参差不齐，适合原型验证。

这种模块化设计解决了旧版本最大的痛点——依赖臃肿。在旧版本中，安装langchain会同时安装数百个依赖，其中很多你根本用不到。新版本中，你只需要安装实际使用的包，项目的依赖体积大幅缩小。

二、LCEL：LangChain的表达语言

LCEL（LangChain Expression Language）是LangChain 1.0最核心的设计创新。它提供了一种声明式的方式来组合AI组件，让复杂的AI流程变得简洁、可读、可组合。

LCEL的核心是Runnable协议——所有LangChain组件都实现了统一的接口：invoke（同步调用）、stream（流式输出）、batch（批量处理）、astream（异步流式输出）。这种统一的接口规范让组件之间可以任意组合，就像搭积木一样。

管道操作符（|）是LCEL的语法糖，它将多个组件串联成一个处理链。一个典型的RAG流程可以这样表达：

fromlangchain_core.promptsimportChatPromptTemplatefromlangchain_openaiimportChatOpenAIfromlangchain_core.output_parsersimportStrOutputParser# 定义提示词模板prompt=ChatPromptTemplate.from_template("基于以下上下文回答问题：\n{context}\n\n问题：{question}")# 定义模型model=ChatOpenAI(model="gpt-4o")# 定义链chain=prompt|model|StrOutputParser()# 调用result=chain.invoke({"context":"检索到的文档内容...","question":"用户的问题..."})

这种声明式的写法比传统的命令式写法简洁得多，而且链的每个环节都是可测试的。更重要的是，LCEL自动处理了流式输出的传递——如果上游组件支持流式输出，下游组件也能自动以流式方式处理，不需要额外的代码。

三、LangChain的Agent架构

LangChain 1.0的Agent架构经历了重大重构。create_agent()函数是构建Agent的推荐入口，它将Agent的创建简化为一个函数调用。

fromlangchain.agentsimportcreate_agentfromlangchain_openaiimportChatOpenAI# 定义工具tools=[search_tool,calculator_tool,database_tool]# 创建Agentagent=create_agent(model=ChatOpenAI(model="gpt-4o"),tools=tools,system_prompt="你是一个有帮助的助手，可以使用工具来完成任务。")# 运行Agentresult=agent.invoke({"messages":[{"role":"user","content":"帮我查一下上个月的销售额并计算同比增长率"}]})

Agent的执行过程遵循ReAct模式：接收用户消息→分析是否需要使用工具→如果需要，选择工具并生成参数→调用工具→接收工具返回结果→判断是否需要继续使用工具→生成最终回复。这个循环可以持续多轮，直到Agent认为任务完成。

工具定义是Agent开发中最关键的环节。每个工具需要提供清晰的名称、描述和参数Schema。工具描述的质量直接影响Agent能否在正确的时机选择正确的工具。一个实用的技巧是：工具描述应该包含"什么时候使用这个工具"和"这个工具能做什么"两个关键信息。

四、LangGraph：图状态机编排引擎

如果说LangChain是"快开发"，LangGraph就是"精控制"。LangGraph提供了一种基于图状态机的编排方式，让开发者能够精确控制Agent的执行流程。

LangGraph的核心概念是状态图（StateGraph）。图中的每个节点代表一个处理步骤（可以是LLM调用、工具调用、条件判断等），边代表状态转移。状态对象在节点之间传递，每个节点可以读取和修改状态。

fromlanggraph.graphimportStateGraph,ENDfromtypingimportTypedDict,Annotatedimportoperator# 定义状态classAgentState(TypedDict):messages:Annotated[list,operator.add]next_step:str# 创建图graph=StateGraph(AgentState)# 添加节点graph.add_node("agent",agent_node)# Agent决策节点graph.add_node("tools",tool_node)# 工具执行节点# 添加边graph.add_edge("tools","agent")# 工具执行后回到Agent# 添加条件边graph.add_conditional_edges("agent",should_continue,# 判断函数{"continue":"tools",# 需要工具→执行工具"end":END# 不需要→结束})# 设置入口graph.set_entry_point("agent")# 编译app=graph.compile()

LangGraph的核心优势在于精确的流程控制。你可以定义复杂的条件分支、循环、并行执行、人工审核节点。支持持久化——状态可以保存到数据库，支持从任意节点恢复执行。支持人机协同——在关键节点暂停，等待人工审核后再继续。

这种精确控制能力在复杂业务场景中尤为重要。例如，一个合同审批Agent的工作流可能是：接收合同→AI初审→人工复核→AI修改→法务审核→最终确认。这样的流程用LangGraph可以精确表达，用纯LangChain则很难实现。

五、从Chain到Graph到Harness：三层演进

LangChain生态的演进可以用三个关键词概括：Chain、Graph、Harness。

Chain时代（2023年）：核心是"把多个LLM调用串起来"。LangChain提供了一套标准的组件和链式调用方式，让开发者能够快速构建RAG应用和简单对话机器人。这个阶段的代表性应用是"文档问答"和"客服机器人"。

Graph时代（2024年）：核心是"带状态、带持久化的运行时"。LangGraph的引入让Agent具备了精确的流程控制能力。这个阶段的代表性应用是"多步推理Agent"和"自动化工作流"。

Harness时代（2025-2026年）：核心是"完整的Agent脚手架"。deepagents等高级工具提供了规划、文件系统、子Agent编排等完整能力。这个阶段的代表性应用是"自主编程Agent"和"多智能体协作系统"。

从Chain到Graph到Harness，三层迭代背后只有一个逻辑：AI正在从"回答问题"走向"完成任务"。Chain解决的是"怎么让AI处理一个请求"，Graph解决的是"怎么让AI执行一个流程"，Harness解决的是"怎么让AI持续可靠地交付价值"。

六、生产级Agent的开发实践

将LangChain/LangGraph的Agent部署到生产环境，需要关注以下几个关键实践。

首先是错误处理。Agent在执行过程中可能遇到各种错误：工具调用失败、API超时、模型返回格式异常。LangGraph提供了内置的检查点机制，可以在错误发生时自动回退到上一个稳定状态。但开发者还需要设计业务层面的降级策略——当主工具不可用时，使用备选方案。

其次是性能优化。Agent的推理循环可能消耗大量token，需要通过以下策略优化：缓存重复的系统提示词、使用流式输出减少首字延迟、对简单任务使用小模型、设置合理的最大步数限制。

再次是可观测性。LangSmith是LangChain官方提供的全链路追踪工具，可以记录Agent的每一步操作：输入消息、LLM推理、工具调用、工具返回、最终输出。通过LangSmith，你可以直观地看到Agent的执行过程，快速定位问题。

最后是安全防护。Agent拥有工具调用能力，可能被恶意用户利用。安全防护措施包括：工具调用白名单（只允许调用预定义的工具）、参数校验（拒绝异常参数）、操作审计（记录所有工具调用）、敏感操作确认（高风险操作需要人工确认）。

七、实战案例：构建企业知识库Agent

让我们通过一个完整的实战案例来串联LangChain和LangGraph的知识。假设需要构建一个企业知识库Agent，能够回答员工关于公司政策、流程、产品的各种问题。

架构设计：使用LangChain构建RAG检索链，使用LangGraph编排Agent的决策流程。Agent的流程是：接收问题→判断是否需要检索→检索知识库→判断检索结果是否充分→如果充分，生成回答；如果不充分，追问用户或尝试不同检索策略→生成最终回答。

# 1. 构建RAG检索器fromlangchain_community.vectorstoresimportMilvusfromlangchain_openaiimportOpenAIEmbeddings vectorstore=Milvus(embedding_function=OpenAIEmbeddings(),collection_name="company_knowledge")retriever=vectorstore.as_retriever(search_kwargs={"k":5})# 2. 定义Agent节点defagent_node(state):messages=state["messages"]# 判断是否需要检索# 如果需要，调用检索器# 生成回答return{"messages":[response]}# 3. 构建LangGraphgraph=StateGraph(AgentState)graph.add_node("agent",agent_node)graph.add_node("retrieve",retrieve_node)graph.add_conditional_edges("agent",decide_next,{...})graph.set_entry_point("agent")app=graph.compile()

这个架构的优势在于：Agent可以自主决定是否需要检索（而不是每次都给检索结果），可以根据检索结果的质量决定是否调整策略，可以在信息不足时主动追问用户。

结语

LangChain和LangGraph是2026年AI Agent开发的事实标准框架。LangChain提供了"乐高式"的组件化开发体验，LangGraph提供了"图灵完备"的流程控制能力。掌握了这两个框架，你就能构建从简单聊天机器人到复杂多智能体系统的各种AI应用。关键在于理解它们的设计哲学——LangChain解决"快开发"，LangGraph解决"精控制"，两者结合，才能构建出真正生产级的AI Agent系统。