本文我们将探索构建代理式人工智能（Agentic AI）应用最流行的两个框架——LangChain和LangGraph。到本文结束时，你应能充分了解它们的主要构建模块、每个框架在处理核心功能方面的不同之处，并能就哪个框架最适合你的问题形成有根据的观点。

LangChain和LangGraph的基础组件

通过了解每个框架的不同基础元素，你将能更深入地理解它们在处理某些核心功能方面的关键差异。以下描述并非每个框架所有组件的详尽列表，而是作为理解它们在总体方法上差异的坚实基础。

LangChain

使用LangChain有两种方法：作为预定义命令的顺序链或使用LangChain代理。这两种方法在处理工具和编排方面各不相同。链遵循预定义的线性工作流，而代理则充当协调者，能够做出更动态（非线性）的决策。

• 链（Chains）：一系列步骤，可以包括调用大型语言模型（LLM）、代理、工具、外部数据源、过程代码等。链可以分支，意味着单个链可以基于逻辑条件分裂成多个路径。
• 代理或语言模型（Agents or Language Models）：语言模型具有生成自然语言响应的能力。而代理则使用语言模型，并增加了推理、调用工具以及在工具调用失败时重复调用过程的能力。
• 工具（Tools）：可在链中调用或由代理调用的基于代码的函数，用于与外部系统交互。
• 提示（Prompts）：这可以包括系统提示（指导模型如何完成任务以及可用哪些工具）、从外部数据源注入的信息（为模型提供更多上下文）以及用户提示或模型要完成的任务。

LangGraph

LangGraph从另一个角度处理人工智能工作流。正如其名，它像图一样编排工作流。由于其在处理人工智能代理、过程代码和其他工具之间的不同流方面的灵活性，它更适合那些线性链方法、分支链或简单代理系统无法满足需求的用例。LangGraph旨在处理比LangChain更复杂的条件逻辑和反馈循环。

• 图（Graphs）：一种灵活的工作流组织方式，可以包括调用LLM、工具、外部数据源、过程代码等。LangGraph支持循环图；这意味着你可以创建循环和反馈机制，以便多次访问节点。
• 节点（Nodes）：表示工作流中的步骤，如LLM查询、API调用或工具执行。
• 边和条件边（Edges and Conditional Edges）：边通过将一个节点的输出作为下一个节点的输入来定义信息的流动。条件边在满足特定条件时定义一个节点到另一个节点的信息流动。开发人员可以自定义这些条件。
• 状态（State）：状态是信息在图中流动时应用程序的当前状态。它是一个开发人员定义的、可变的TypedDict对象，包含当前图执行的所有相关信息。LangGraph在信息通过图流动时自动处理每个节点的状态更新。
• 代理或语言模型（Agents or Language Models）：图中的语言模型仅负责生成对输入的文本响应。代理能力利用语言模型，但使图具有多个表示代理不同组件的节点（如推理、工具选择和工具执行）。代理可以决定在图中走哪条路径、更新图的状态，并执行比文本生成更多的任务。

每个框架处理核心功能的方式之差异

LangGraph和LangChain在某些功能上有所重叠，但它们从不同的角度解决问题。LangChain专注于通过链或不同的人工智能代理模式实现的线性工作流。而LangGraph则专注于创建更灵活、更精细的基于过程的工作流，可以包括人工智能代理、工具调用、过程代码等。

总体而言，LangChain的学习曲线比LangGraph更平缓。LangChain有更多的抽象和预定义配置，使得对于简单用例来说更容易实现。LangGraph允许对工作流设计进行更多的自定义控制，这意味着它的抽象程度更低，开发人员需要学习更多才能有效地使用该框架。

工具调用：

LangChain

在LangChain中，根据你是使用链来序列化一系列步骤，还是仅使用其代理功能而不明确定义在链中，工具有两种不同的调用方式。在链中，工具是作为链中的预定义步骤包含的——这意味着它们并不一定是由代理调用的，因为它们在链中已经被预先确定要调用。然而，当你有一个未定义在链中的代理时，该代理有权自主决定基于其所了解的工具列表，何时调用哪个工具。

链的流动示例：

1. 创建一个函数来表示该工具，并使其与链条兼容
2. 将该工具整合到链条中
3. 执行链条

代理的流程示例：

1. 工具已定义
2. 工具已添加到代理中
3. 代理收到查询并决定是否以及何时使用搜索工具。如果需要，代理可以多次使用工具。

LangGraph（语言图）

在LangGraph中，工具通常表示为图上的一个节点。如果图中包含一个代理，那么代理将根据其推理能力决定调用哪个工具。基于代理的工具决策，图会导航到“工具节点”以处理工具的执行。在从代理到工具节点的边上可以包含条件逻辑，以添加额外的逻辑来确定工具是否执行。这给了开发者另一层控制，如果需要的话。如果图中没有代理，那么就像在LanchChain的链中一样，工具可以基于条件逻辑包含在工作流中。

带有代理的图流程示例：

1. 工具已定义
2. 工具已绑定到代理
3. 代理决定是否需要工具，如果需要，则决定使用哪个工具。
4. LangGraph框架检测到需要调用工具，并导航到图中的工具节点以执行工具调用。
5. 捕获工具输出并将其添加到图的状态中
6. 使用更新后的状态再次调用代理，以便它可以决定下一步要做什么

没有代理的图的流程示例：

1. 工具已定义
2. 工具作为节点添加到图中
3. 可以使用条件边来确定何时使用某个工具节点并控制图的流程
4. 工具可以配置为更新图的状态

总结

你可以单独使用LangChain、单独使用LangGraph，或者将两者一起使用！通过使AutoGen代理成为图中的节点，完全有可能探索将LangGraph的基于图的编排与其他代理式AI框架（如微软的AutoGen）结合使用。