LangChain 与 LangGraph 的关系

┌─────────────────────────────────────────────────────────┐
│                   LangChain 生态                         │
│                                                          │
│  ┌─────────────┐  ┌──────────────┐  ┌────────────────┐  │
│  │langchain-core│  │langchain-comm│  │  langchain     │  │
│  │ 基础抽象     │  │ unity 集成库  │  │  链/Agent/RAG  │  │
│  │ LLM/Prompt  │  │ OpenAI/Kafka  │  │  LCEL 表达式   │  │
│  │ Memory/Tool │  │ /Chroma/...   │  │  传统 Chain    │  │
│  └──────┬──────┘  └──────────────┘  └────────────────┘  │
│         │                                                 │
│  ┌──────▼──────────────────────────────────────────────┐ │
│  │                    LangGraph                         │ │
│  │         有状态 · 多智能体 · 图编排引擎                │ │
│  │  Node（节点）+ Edge（边）+ State（状态）              │ │
│  │  循环执行 · 条件分支 · Human-in-the-loop             │ │
│  └─────────────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────┘

Input → [Prompt] → [LLM] → [Parser] → [Tool] → Output
         ↑__________________________固定顺序，不可回头__↑

          ┌──────────────────────┐
          ▼                      │
Input → [Agent节点] → 判断是否需要工具
              │ 需要               │ 不需要
              ▼                   ▼
         [Tool节点]             Output
              │
              └──────────────────┘
              结果返回 Agent 继续推理（循环！）

LangGraph 负责"骨架"（流程编排）
    ├── 定义 Node（每个节点可以是一个 LangChain Chain）
    ├── 定义 Edge（条件路由、固定流转）
    └── 管理 State（跨节点共享、持久化）

LangChain 负责"血肉"（能力组件）
    ├── LLM 调用（ChatOpenAI、Claude 等）
    ├── Prompt 模板管理
    ├── RAG 检索（VectorStore + Retriever）
    └── Tool 调用（Search、Calculator 等）

from langchain_openai import ChatOpenAI          # LangChain 提供 LLM
from langchain_core.tools import tool            # LangChain 提供 Tool
from langgraph.graph import StateGraph, END      # LangGraph 提供图编排

llm = ChatOpenAI(model="gpt-4o")                 # LangChain 组件

# LangGraph 图中直接使用 LangChain 组件
def agent_node(state):
    response = llm.invoke(state["messages"])     # ← LangChain 能力
    return {"messages": [response]}

graph = StateGraph(State)
graph.add_node("agent", agent_node)              # ← LangGraph 编排
graph.add_edge("agent", END)

2022      LangChain 发布
            └── Chain / Agent / Memory 基础能力

2023      LCEL（LangChain Expression Language）
            └── 声明式组合 Chain，pipe 语法

2024.01   LangGraph 发布
            └── 解决 LangChain Agent 在复杂场景下
                "流程不可控、状态难管理、无法循环"的痛点

现在       官方推荐：
            简单场景 → LangChain
            复杂 Agent → LangGraph（已成为官方首推方案）