1. 引言：为什么需要LangChain/LangGraph？

想象一下，你有一台性能超强的智能机器人（大模型），但它只会说"你好"——因为你不知道如何教它完成复杂任务。这时候，LangChain和LangGraph就像给机器人装上了"大脑操作系统"：LangChain帮你连接各种工具（比如计算器、数据库、搜索引擎），LangGraph则让机器人能像人一样一步步思考、记住中间结果，甚至和其他机器人协作。

今天，我们就用"说人话"的方式，带你玩转这两个AI开发神器！无论你是产品经理、运营还是刚入门的开发者，读完这篇文章，你都能明白如何用它们快速搭建实用的AI应用。

2. 核心概念快速入门

2.1 LangChain：AI应用的"万能连接器"

LangChain的核心思想很简单：把大模型和各种外部资源"粘"在一起，让它们协同工作。就像乐高积木，提供了标准化的接口，你可以轻松组合出不同的AI应用。

举个例子：你想做一个"股票分析助手"，需要：

1. 调用搜索引擎获取最新股票数据
2. 用大模型分析数据
3. 把结果存入Excel表格
4. 生成自然语言报告

没有LangChain，你需要写大量代码来连接这些步骤；有了LangChain，只需几行代码就能搞定！

2.2 LangGraph：让AI像人一样"思考"的流程图引擎

如果说LangChain是"零件库"，那LangGraph就是"流程图设计器"。它允许你定义：

• 步骤（节点）：比如"获取数据"、“分析数据”、“生成报告”
• 流程（边）：步骤之间的顺序和条件（比如"如果数据不足，返回重新获取"）
• 记忆（状态）：保存中间结果（比如分析过程中的临时结论）

最适合处理多步骤、需要决策、有状态的复杂任务，比如智能客服、自动化办公流程等。

2.3 关键术语通俗解释

术语	通俗解释	生活类比
PromptTemplate	预先定义的问题模板，只需填入变量	填空题试卷
Chain	多个操作步骤的串联	工厂流水线
Agent	能自主决策调用工具的智能体	会自己找工具的助理
Memory	保存对话历史的组件	聊天记录本
Tool	可调用的外部功能（如搜索、计算）	瑞士军刀的不同工具
Graph	定义任务流程的有向图	流程图
Node	流程中的单个步骤	流程图中的方框
State	保存流程中所有数据的对象	工作备忘录

3. LangChain实战：30行代码构建智能工具

3.1 环境准备与安装

首先安装必要的库（确保你的Python环境已就绪）：

# 安装LangChain核心库
pip install langchain

# 安装OpenAI模型支持（以OpenAI为例，也可替换为其他模型）
pip install openai

# 安装LangGraph（后续进阶部分使用）
pip install langgraph

3.2 基础组件上手

3.2.1 PromptTemplate：填空题模板

from langchain.prompts import PromptTemplate

# 定义一个旅游景点推荐模板
prompt = PromptTemplate(
    input_variables=["destination", "interest"],  # 需要填入的变量
    template="我要去{destination}旅游，喜欢{interest}，请推荐3个必去景点，每个景点配一句话理由。"
)

# 使用模板生成具体问题
question = prompt.format(destination="成都", interest="美食和历史")
print(question)
# 输出：我要去成都旅游，喜欢美食和历史，请推荐3个必去景点，每个景点配一句话理由。

3.2.2 Chain：任务流水线

最简单的LLMChain能把模板和大模型串起来：

from langchain.llms import OpenAI
from langchain.chains import LLMChain

# 初始化大模型（请替换为你的API密钥）
# 注意：实际使用时需要注册OpenAI账号并获取API密钥
llm = OpenAI(api_key="your_api_key_here")

# 创建Chain（模板+模型）
chain = LLMChain(llm=llm, prompt=prompt)

# 运行Chain
result = chain.run(destination="成都", interest="美食和历史")
print(result.strip())

预期输出：

1. 宽窄巷子：明清建筑风格的古街，汇集了成都特色小吃和手工艺品，能同时体验美食与历史文化。
2. 武侯祠：中国唯一的君臣合祀祠庙，纪念三国时期蜀汉丞相诸葛亮，感受三国文化的深厚底蕴。
3. 锦里古街：紧邻武侯祠的仿古商业街，晚上灯笼亮起时格外有情调，可品尝三大炮、糖油果子等传统美食。

图1：LLMChain工作流程图

3.2.3 Memory：对话记忆本

让AI记住之前的对话内容：

from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory

# 创建记忆组件（就像聊天记录本）
memory = ConversationBufferMemory()

# 创建带记忆的对话Chain
chatbot = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=True  # 显示思考过程（调试用）
)

# 第一次对话
response1 = chatbot.run("你好，我叫小明，计划去成都旅游3天。")
print(f"AI: {response1}")

# 第二次对话（AI应该记得小明的名字和行程）
response2 = chatbot.run("我需要一份每天的行程安排，以美食为主。")
print(f"AI: {response2}")

图2：对话记忆工作时序图

3.2.4 Tools：连接外部世界的触手

LangChain支持调用各种工具，比如计算器、搜索引擎、数据库等。以SerpAPI（搜索引擎）为例：

from langchain.agents import initialize_agent, Tool
from langchain.agents import AgentType
from langchain.tools import SerpAPIWrapper

# 初始化搜索引擎工具（需要注册SerpAPI获取密钥）
search = SerpAPIWrapper(serpapi_api_key="your_serpapi_key_here")

# 定义工具列表
tools = [
    Tool(
        name="Search",
        func=search.run,
        description="当你需要获取实时信息（如天气、新闻、当前事件）时使用"
    )
]

# 创建Agent（会自己决定是否使用工具）
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True  # 显示思考过程
)

# 提问需要实时信息的问题
result = agent.run("成都明天的天气如何？适合旅游吗？")
print(result)

Agent思考过程（verbose=True时显示）：

I need to check the weather in Chengdu tomorrow.
Action: Search
Action Input: 成都明天天气
Observation: 成都明天晴，气温20-28℃，微风。
Thought: I now know the weather.
Final Answer: 成都明天晴，气温20-28℃，微风，非常适合旅游。建议携带防晒用品，穿舒适的鞋子。

3.3 实战案例：旅游攻略生成器

下面我们用SequentialChain串联多个步骤，自动生成完整的旅游攻略：

from langchain.chains import SequentialChain

# 步骤1：推荐景点
prompt_attractions = PromptTemplate(
    input_variables=["destination", "days", "interest"],
    template="用户计划去{destination}旅游{days}天，喜欢{interest}。请推荐5个必去景点，用逗号分隔。"
)
chain_attractions = LLMChain(
    llm=llm,
    prompt=prompt_attractions,
    output_key="attractions"  # 输出变量名，供下一个Chain使用
)

# 步骤2：生成行程
prompt_itinerary = PromptTemplate(
    input_variables=["destination", "days", "attractions"],
    template="为{destination}的{days}天行程设计详细计划，包含{attractions}等景点，每天推荐1家当地餐厅。"
)
chain_itinerary = LLMChain(
    llm=llm,
    prompt=prompt_itinerary,
    output_key="itinerary"  # 最终输出变量
)

# 串联两个Chain
overall_chain = SequentialChain(
    chains=[chain_attractions, chain_itinerary],
    input_variables=["destination", "days", "interest"],
    output_variables=["itinerary"],
    verbose=True
)

# 运行完整流程
result = overall_chain.run(
    destination="成都",
    days=3,
    interest="美食和历史"
)

# 打印结果
print("===== 成都3天旅游攻略 =====")
print(result)

图3：旅游攻略生成流程图

关键点：SequentialChain适合"流水线"式的任务，前一个步骤的输出作为后一个步骤的输入，无需人工干预。

4. LangGraph进阶：构建多步骤智能工作流

4.1 为什么需要状态管理？

想象一个电商退货流程：

1. 用户提交退货申请
2. 系统查询订单状态（是否已发货）
3. 如果已发货：生成退货标签
4. 如果未发货：直接取消订单并退款
5. 通知用户结果

这个流程有条件分支（已发货/未发货）和状态传递（订单信息），用普通Chain很难实现，而LangGraph擅长处理这类场景。

4.2 核心概念：图、节点、状态

• Graph：整个工作流的蓝图，定义了步骤和流向
• Node：流程中的单个任务（函数），如"查询订单"、“生成标签”
• Edge：节点之间的连接，表示流程走向
• State：保存整个流程中的数据（如订单号、状态、用户信息）

4.3 实战案例：电商退货处理助手

下面用LangGraph实现上述退货流程：

from langgraph.graph import StateGraph, END
from typing import TypedDict

# 1. 定义状态（流程中需要传递的数据）
class ReturnState(TypedDict):
    order_id: str  # 订单号
    is_shipped: bool  # 是否已发货（默认None，查询后填充）
    return_label: str  # 退货标签（生成后填充）
    user_notification: str  # 给用户的通知（最终结果）

# 2. 定义节点函数（每个步骤做什么）
def check_order(state: ReturnState) -> ReturnState:
    """查询订单状态（模拟）"""
    print(f"查询订单 {state['order_id']} 状态...")
    # 模拟查询结果：假设订单号为偶数的已发货，奇数的未发货
    state["is_shipped"] = int(state["order_id"]) % 2 == 0
    return state

def generate_return_label(state: ReturnState) -> ReturnState:
    """生成退货标签（模拟）"""
    print("生成退货标签...")
    state["return_label"] = f"RETURN-{state['order_id']}-{state['is_shipped']}"
    state["user_notification"] = (
        f"订单 {state['order_id']} 已发货，请使用退货标签 {state['return_label']} "
        "寄回商品，退款将在收到退货后3个工作日内处理。"
    )
    return state

def cancel_order(state: ReturnState) -> ReturnState:
    """取消订单并退款（模拟）"""
    print("取消订单并退款...")
    state["user_notification"] = (
        f"订单 {state['order_id']} 尚未发货，已为您取消订单并安排退款，"
        "退款将在1-2个工作日内到账。"
    )
    return state

# 3. 定义条件分支（根据状态决定下一步）
def should_generate_label(state: ReturnState) -> str:
    """如果已发货，生成标签；否则取消订单"""
    return "generate_label" if state["is_shipped"] else "cancel_order"

# 4. 构建图（定义流程）
workflow = StateGraph(ReturnState)

# 添加节点
workflow.add_node("check_order", check_order)  # 查询订单节点
workflow.add_node("generate_label", generate_return_label)  # 生成标签节点
workflow.add_node("cancel_order", cancel_order)  # 取消订单节点

# 定义流程走向
workflow.set_entry_point("check_order")  # 入口：先查询订单
workflow.add_conditional_edges(
    "check_order",  # 从查询订单节点出发
    should_generate_label,  # 根据条件函数决定走向
    {
        "generate_label": "generate_label",  # 条件1：走向生成标签节点
        "cancel_order": "cancel_order"  # 条件2：走向取消订单节点
    }
)
workflow.add_edge("generate_label", END)  # 生成标签后结束
workflow.add_edge("cancel_order", END)  # 取消订单后结束

# 5. 编译并运行
app = workflow.compile()

# 测试已发货订单（偶数ID）
print("===== 测试已发货订单 =====")
result = app.invoke({"order_id": "20231004"})
print(result["user_notification"])

# 测试未发货订单（奇数ID）
print("\n===== 测试未发货订单 =====")
result = app.invoke({"order_id": "20231005"})
print(result["user_notification"])

图4：退货处理工作流状态图

运行结果：

===== 测试已发货订单 =====
查询订单 20231004 状态...
生成退货标签...
订单 20231004 已发货，请使用退货标签 RETURN-20231004-True 寄回商品，退款将在收到退货后3个工作日内处理。

===== 测试未发货订单 =====
查询订单 20231005 状态...
取消订单并退款...
订单 20231005 尚未发货，已为您取消订单并安排退款，退款将在1-2个工作日内到账。

关键点：LangGraph通过StateGraph和条件分支，实现了复杂业务流程的自动化，且状态数据在整个流程中自动传递。

5. 综合对比与选型指南

特性	LangChain	LangGraph
核心定位	组件集成与工具调用	状态管理与流程控制
数据传递	简单链式传递（前→后）	全局状态对象（所有节点可访问）
流程控制	线性流程为主	支持条件分支、循环、并行
适用场景	• 简单问答 • 单步骤工具调用 • 对话机器人	• 多步骤工作流 • 复杂决策流程 • 多智能体协作
学习曲线	较低（基础功能）	中等（需理解图论概念）
典型案例	• 客服问答机器人 • 文档摘要工具 • 实时信息查询	• 自动化办公流程 • 多步骤数据分析 • 智能决策系统

选型建议：

• 如果你需要快速搭建简单的AI应用（如问答、摘要），用LangChain足够
• 如果你需要处理复杂流程（多步骤、条件判断、状态保存），用LangChain+LangGraph组合

6. 常见问题解答（FAQ）

Q1：LangChain只能用OpenAI的模型吗？

A：不是！LangChain支持几乎所有主流大模型，包括国内的百度文心一言、阿里通义千问、智谱AI等，只需更换对应的LLM类即可。

Q2：没有编程基础能学LangChain吗？

A：可以！LangChain的设计理念就是简化AI应用开发，基础功能只需掌握Python基础语法就能上手。推荐先从简单的Chain和PromptTemplate开始学。

Q3：LangGraph和普通的流程图工具（如BPMN）有什么区别？

A：最大区别是与AI深度集成。LangGraph的节点可以直接调用大模型和工具，状态数据可以被AI分析和决策，而普通流程图工具主要用于流程可视化，不具备执行能力。

Q4：如何部署用LangChain/LangGraph开发的应用？

A：可以部署为Web服务（用FastAPI/Flask）、桌面应用或云函数。LangChain提供了langserve工具，专门用于部署Chain和Graph为API服务。

Q5：学习资源推荐

• 官方文档：LangChain Docs、LangGraph Docs（最权威）
• 中文教程：LangChain中文网、B站"LangChain实战"系列视频
• 社区：LangChain Discord（英文）、知乎"LangChain"话题（中文）

总结

LangChain和LangGraph就像给大模型装上了"手脚"和"大脑"：LangChain让AI能"做事"（调用工具、处理数据），LangGraph让AI能"思考"（规划步骤、记住状态）。无论你是想提升工作效率，还是开发创新AI产品，这两个工具都能帮你快速实现想法。

现在就动手试试吧！用LangChain/LangGraph开发你的第一个AI应用，体验大模型开发的乐趣～