Agent开发新手指南：LangGraph与LangChain的协同应用解析

2026年1月21日 互联网

一、Agent开发技术栈选型背景

在智能体开发领域，开发者常面临技术栈选择困境：LangGraph作为新兴流程控制框架，与成熟的LangChain工具库是否存在功能重叠？两者是否需要同时掌握？要解答这个问题，需从Agent开发的核心需求出发进行技术拆解。

典型Agent开发包含三大技术层：

  1. 基础能力层：大语言模型（LLM）的文本生成与理解能力
  2. 工具集成层：API调用、数据库查询等外部系统交互
  3. 流程控制层：多步骤任务编排与状态管理

以天气查询Agent为例，其开发流程可分解为：用户输入解析→地理坐标转换→API参数构造→HTTP请求发送→结果格式化→自然语言回复。这个过程中，LangChain主要解决工具集成问题，而LangGraph专注流程控制。

二、LangChain核心机制解析

1. API调用基础组件

在工具集成场景中，LangChain的APIChain组件通过模板化设计实现标准化调用。其核心包含两个提示模板：

  1. # 伪代码示例：API URL生成模板
  2. API_URL_PROMPT = """
  3. 根据以下API文档生成完整请求URL：
  4. API文档：{api_docs}
  5. 用户问题：{question}
  6. 要求：URL需包含所有必要参数"""
  8. # 伪代码示例：API响应处理模板
  9. API_RESPONSE_PROMPT = """
  10. 原始响应：{raw_response}
  11. 问题要求：{question}
  12. 输出格式：简洁的自然语言回复"""

这两个模板分别解决URL构造和响应解析问题。在实际调用中，系统会先通过API_URL_PROMPT生成带参数的请求URL，再通过API_RESPONSE_PROMPT将JSON响应转化为用户可读文本。

2. 参数处理机制

以地理坐标转换为例，当用户询问”北京未来天气”时，系统需要：

  1. 在知识库中查找”北京”对应的经纬度（116.40,39.90）
  2. 将坐标注入API请求的lat和lon参数
  3. 设置温度单位为摄氏度（units=metric）

这种参数映射关系通过LangChain的Tool类实现，开发者只需定义参数转换规则，框架会自动处理类型转换和错误校验。

三、LangGraph流程控制优势

1. 状态机管理

LangGraph采用有向图结构管理Agent执行流程，每个节点代表一个处理步骤，边代表状态转移条件。以天气查询为例，其状态图包含：

  • 初始节点：接收用户输入
  • 坐标解析节点：调用地理编码服务
  • API调用节点：执行天气查询
  • 响应格式化节点：生成自然语言回复
  • 异常处理节点：处理无效坐标等错误

这种设计使得复杂流程具有更好的可观测性和调试性，开发者可通过图形界面直观查看执行路径。

2. 动态流程调整

在多轮对话场景中，LangGraph支持基于上下文的动态流程调整。例如当用户追问”明天会下雨吗？”时，系统可：

  1. 检测到时间参数缺失
  2. 自动插入时间解析节点
  3. 重新规划API调用参数
  4. 保持原有会话状态

这种能力在传统链式调用中难以实现，而LangGraph通过图结构天然支持动态扩展。

四、框架协同开发实践

1. 分层架构设计

建议采用”LangChain处理工具集成+LangGraph管理流程”的分层架构：

  1. graph TD
  2.     A[用户输入] --> B[LangGraph流程控制器]
  3.     B --> C{流程判断}
  4.     C -->|工具调用| D[LangChain APIChain]
  5.     C -->|逻辑判断| E[LangGraph决策节点]
  6.     D --> F[外部API调用]
  7.     E --> G[流程状态更新]
  8.     F --> H[响应处理]
  9.     H --> I[LangChain输出格式化]
  10.     I --> J[最终回复]

2. 典型开发步骤

  1. 工具封装：使用LangChain的Tool类封装所有外部API
    ```python
    from langchain.tools import Tool

def get_weather(lat, lon, units=”metric”):

  1. # 实现天气API调用
  2. pass

weather_tool = Tool(
name=”WeatherQuery”,
func=get_weather,
description=”查询指定坐标的天气信息”
)

  2. 2. **流程定义**：在LangGraph中构建处理图
  3. ```python
  4. from langgraph.prebuilt import StateGraph
  6. graph = StateGraph(
  7.     initial_state="input_received",
  8.     states={
  9.         "input_received": {
  10.             "actions": [parse_coordinates],
  11.             "next": "api_call_ready"
  12.         },
  13.         "api_call_ready": {
  14.             "actions": [call_weather_api],
  15.             "next": "response_processing"
  16.         }
  17.     }
  18. )

  1. 异常处理：添加重试机制和备用流程

    1. class WeatherAPIRetry(State):
    2.  def __init__(self):
    3.      self.retry_count = 0
    4.      self.max_retries = 3
    6.  def execute(self, input):
    7.      if self.retry_count < self.max_retries:
    8.          self.retry_count += 1
    9.          return call_weather_api(input)
    10.      else:
    11.          return fallback_response(input)

五、技术选型决策指南

1. 适用场景对比

维度 LangChain LangGraph
核心优势 快速工具集成 复杂流程控制
学习曲线 中等（需理解提示工程） 较高（需掌握状态机设计）
最佳适用场景 单步骤工具调用 多步骤条件流程
扩展性 依赖提示模板扩展 支持动态图结构修改

2. 协同开发建议

  • 初级开发者：从LangChain入门，掌握基础API调用后再学习LangGraph
  • 企业级应用：同时使用两个框架，LangChain处理工具集成，LangGraph管理业务逻辑
  • 研究型项目：优先LangGraph探索新型Agent架构

六、进阶开发技巧

1. 提示模板优化

通过A/B测试不同提示模板的效果，例如比较以下两种天气查询提示：

  1. 版本A：生成包含温度、风速的天气报告
  2. 版本B：用通俗语言描述未来24小时天气变化

使用LangChain的PromptTemplate类实现模板版本管理。

2. 性能监控

集成日志服务记录每个节点的执行耗时，通过分析以下指标优化流程：

  • 平均API响应时间
  • 流程跳转次数
  • 异常发生率
  • 用户满意度评分

3. 混合架构设计

对于超复杂Agent，可采用”微服务+流程编排”架构：

  1. 将不同功能封装为独立服务
  2. 使用消息队列进行服务间通信
  3. 通过LangGraph管理服务调用顺序
  4. 使用对象存储保存中间状态

这种设计既保持了模块化优势，又通过流程控制确保业务逻辑正确性。

七、学习资源推荐

  1. 官方文档：重点阅读”工具使用”和”流程控制”章节
  2. 开源案例：分析GitHub上高星标的Agent项目代码结构
  3. 实践项目：从简单天气查询开始，逐步增加预订、推荐等复杂功能
  4. 调试工具：使用日志服务追踪每个节点的输入输出

通过系统学习与实践，开发者可在3-6个月内掌握从基础API调用到复杂流程编排的全栈Agent开发能力。技术选型不应非此即彼，而应根据项目需求灵活组合不同工具的优势。

最新文章