可以用它创建基于 LLM/VLM 模型的应用。

LangChain VS LangGraph

LangChain 核心是将多个 LLM 调用和 tools calling 通过链 Chain 线性拼接组成有序任务序列，适合顺序性、线性流程的场景。
LangGraph 是由 LangChain 创建团队推出的一个扩展库，基于 LangChain 构建，但可独立使用。它引入了图结构（StateGraph）来管理任务流程，支持复杂的多角色 Agent 协作、有状态执行、循环分支、条件跳转等高级功能，更适合复杂、动态、带状态的多智能体协同或长期任务管理。

所以：

LangChain 适合线性任务和单智能体场景。
LangGraph 适合复杂任务、多智能体协作和状态管理场景。

LangChain

LangChain 提供了标准的接口，用于将 models 和工具和组件交互，对于检索、LLM 调用、工具调用很有用。LangChain 中的 classes 可以与 LangGraph 一同使用。

是市场上目前最成熟的 Agent 框架。

什么时候使用 LangGraph

你再设计AI Agent时会面临 控制&自由 的权衡：自由让你的 LLM 有更多空间进行创造并解决意外问题。；控制确保阿里可预测的行为和可维护。

CodeAgent 的行为非常自由，可能很难预测，它比使用 JSON 方式更不可控。
LangGraph 偏向更多的控制。如果你的应用程序涉及一系列需要以特定方式协调的步骤，并在每个交叉点做出决策，那么 LangGraph 就提供了你所需要的结构。

由于 LLM 最擅长理解文本，因此在能够回答问题之前，你需要将其他复杂模态（图表、表格）转换为文本。

简单讲，如果你想根据每个 step 的输出设计之后的动作流程，并相应地决定下一步执行什么。那么 LangGraph 是正确的框架。

LangGraph 如何工作的

使用有向图结构来定义您的应用程序的流程。

Nodes: 代表单个处理步骤，比如工具调用、LLM 调用、条件逻辑、获取用户输入等人工干预。
Edges：定义步骤之间的可能转换。
States: 由用户定义和维护，并在节点执行期间传递。在决定下一个目标节点时，我们查看的是当前状态。

LangGraph 构建模块

构成 LangGraph 的核心组件，LangGraph 中的应用程序从START开始，根据执行情况，流程可能会进入一个函数或另一个函数，直到到达 END。

1. State

State 是 LangGraph 中的核心概念，它包含了应用程序中的所有内容。它是用户定义的，用户应仔细思考应用程序在步骤之间需要跟踪哪些信息。

2. Nodes

即 Python 函数。它将 State 作为输入，执行某些操作，并返回对状态的更新 new state。

def node_1(state):
    print("---Node 1---")
    return {"graph_state": state['graph_state'] +" I am"}

def node_2(state):
    print("---Node 2---")
    return {"graph_state": state['graph_state'] +" happy!"}

Nodes 可以包含LLM 调用，tools 调用，条件逻辑和人工干预。

3. Edges

Edges 连接节点并定义你的图中可能的路径。如下，Edge 根据条件返回可能的两个 Nodes 中的一个。Edge 可以是直接的可以是条件的。

import random
from typing import Literal

def decide_mood(state) -> Literal["node_2", "node_3"]:
    
    # Often, we will use state to decide on the next node to visit
    user_input = state['graph_state'] 
    
    # Here, let's just do a 50 / 50 split between nodes 2, 3
    if random.random() < 0.5:

        # 50% of the time, we return Node 2
        return "node_2"
    
    # 50% of the time, we return Node 3
    return "node_3"

4. StateGraph

这是包含整个工作流的容器。以 START 开始， END 结束。

from IPython.display import Image, display
from langgraph.graph import StateGraph, START, END

# Build graph
builder = StateGraph(State)
builder.add_node("node_1", node_1)
builder.add_node("node_2", node_2)
builder.add_node("node_3", node_3)

# 将Edge链接，传入起、始位置
builder.add_edge(START, "node_1")
builder.add_conditional_edges("node_1", decide_mood)
builder.add_edge("node_2", END)
builder.add_edge("node_3", END)

# Add
graph = builder.compile()

# View,并且可以可视化工作流：
display(Image(graph.get_graph().draw_mermaid_png()))

# 最后invoke工作流
graph.invoke({"graph_state" : "Hi, this is Lance."})

LangGraph 的最佳实战是先定义各个组件，然后组装它们。

LangChain VS LangGraph#

LangChain#

什么时候使用 LangGraph#

LangGraph 如何工作的#

LangGraph 构建模块#

1. State#

2. Nodes#

3. Edges#

4. StateGraph#