LangChain和LangGraph

💡

LangChain是大模型应用开发的主流框架，提供LLM调用、工具集成、RAG、Agent等能力。LangGraph是LangChain的图编排框架，用有向图控制Agent的执行流程。本文档以Python代码为主，覆盖核心API和实战模式。

---

一、LangChain 基础

1.1 环境安装

1.2 LLM调用（最基础）

1.3 Prompt Template

1.4 LCEL链式调用（核心模式）

📌

LCEL（LangChain Expression Language）：用 | 管道符串联组件，prompt | llm | output_parser 形成处理链。

---

二、Function Tools（工具定义与调用）

📌

Tool是Agent调用外部能力的接口。LangChain支持多种定义方式：@tool装饰器、StructuredTool、Pydantic类。

2.1 @tool 装饰器（最简单）

2.2 StructuredTool（自定义参数）

2.3 绑定工具到LLM

---

三、MCP（Model Context Protocol）

📌

MCP是Anthropic提出的开放协议，标准化了AI模型与外部工具/数据源的连接方式。LangChain通过 langchain-mcp-adapters 集成MCP Server。

3.1 连接MCP Server

3.2 MCP vs 传统Tool对比

对比	传统 @tool	MCP
定义方式	代码内@tool装饰器	独立的MCP Server进程
复用性	耦合在项目代码中	多项目共享，跨语言跨平台
工具发现	手动写tools列表	Client自动发现Server提供的所有工具
适用	快速原型、简单项目	企业级应用、多Agent共享、标准化接口

---

四、RAG（检索增强生成）

4.1 RAG完整流程

📌

RAG = 检索(Retrieve) + 增强(Augment) + 生成(Generate)：将知识库文档切分→向量化→存入向量数据库→查询时检索相关文档→拼接进Prompt→LLM生成答案。

4.2 多种检索策略

---

五、Agent 搭建

5.1 create_react_agent（推荐方式）

📌

ReAct Agent是LangChain最经典的Agent模式：Thought(思考) → Action(调用工具) → Observation(观察结果) → 循环直到得出最终答案。

5.2 Agent + 记忆（Memory）

5.3 Agent + RAG（工具增强）

---

六、LangGraph 图编排

📌

LangGraph用有向图(StateGraph)精确控制Agent的执行流程。相比简单ReAct，LangGraph支持条件分支、循环、并行、人工审核、子图嵌套等高级控制。

6.1 StateGraph 基础

6.2 条件分支（核心能力）

6.3 人工审批节点（Human-in-the-Loop）

6.4 并行执行（Send）

6.5 子图嵌套

---

七、架构模式对比

模式	适用场景	LangChain/LangGraph实现
简单链	固定步骤：prompt→llm→output	LCEL管道符 |
Router	根据意图分发到不同处理链	RunnableBranch / conditional_edges
ReAct Agent	LLM自主决定何时调用工具	create_react_agent()
RAG	基于知识库的问答	retriever | format | prompt | llm
多Agent协作	多个专业Agent分工合作	LangGraph子图 + Send并行
Human-in-Loop	需要人工审核/确认的流程	interrupt() + Command(resume=...)

---

✅

学习路线建议：

1. 入门：LLM调用 → Prompt Template → LCEL链式调用
2. 工具：@tool定义 → bind_tools → ReAct Agent
3. RAG：文档加载→切分→向量化→检索→增强生成
4. 进阶：LangGraph StateGraph → 条件分支 → 子图嵌套
5. 生产：MCP集成 → Human-in-Loop → 多Agent协作 → 监控追踪