前言

说起现阶段最流行、最通用的Agent开发框架，毫无疑问肯定是LangChain。LangChain作为2022年开源的元老级开发框架，历经数年发展其功能和生态都非常完善并且拥有数量众多的开发者。可以说LangChain就是目前能力最强、最通用、最流行的Agent开发框架没有之一。笔者刚刚更新完全套的LangChain分享教程，从底层API调用、LCEL语法到外部工具接入、智能体构建等各个方面，手把手教大家从0到1掌握LangChain AI Agent的开发技巧。

2025年以来，LangGraph是Agent开发框架中突飞猛进的新星，大有一举超过同宗同源的Agent开发框架LangChain成为当今最火热智能体开发框架的趋势。要想掌握智能体开发的技巧，LangGraph框架的学习必不可少，从本期分享开始，笔者将分享LangGraph的系列教程，带你掌握智能体开发的“杀手锏”！

PS:鉴于后台私信越来越多，我建了一些大模型交流群，大家在日常学习生活工作中遇到的大模型知识和问题都可以在群中分享出来大家一起解决！如果大家想交流大模型知识，可以关注我并回复加群。

一、为什么要推出LangGraph？

由于LangChain诞生时间较早（2022年末，GPT-3.5刚刚诞生），当时开发者对大模型的想象主要是用其搭建一个又一个的工作流，而这也成为LangChain的核心目标，LangChain中的“Chain”也就是链式调用就是搭建“工作流”的意思。LangChain通过模型稳定接入、LCEL简洁语法规则、丰富强大的内置工具使得开发者能够便捷地将提示词模板、大模型及一些外部工具组合拼装，迅速成为世界最流行的智能体开发框架。

但随着大模型基座能力的飞速进化，目前最新一代大模型包括DeepSeek-V3.1，Qwen3等不仅拥有非常强悍的外部工具识别和调用能力，还原生就支持多工具并联和串联调用，而开发者对于大模型应用开发的需求也在快速变化，LangChain单纯构建线性工作流的模式可拓展性不强。因此LangChain在之后的更新中设计了一整套能实时根据用户需求灵活创建Chain的Agent API，开发者仅需将我们的三要素（可见笔者文章两行代码LangChain Agent API快速搭建智能体）提示词、大模型和工具放在一起，LangChain Agent API就能自动根据用户需求创建一些链来完成工作，大幅加快了开发效率。

不过伴随着Agent开发技术的飞速发展，LangChain很快意识到要真正满足新一代多智能体开发需求，仅靠Agent API是完全不够的，因此在23年下半年，LangChain创立了以“图结构”为智能体构建哲学的框架，这就是大名鼎鼎的LangGraph，目前最火热的Agent开发框架！

二、 LangGraph基础

2.1 LangGraph与LangChain对比

LangGraph和LangChain同宗同源，底层架构完全相同、接口完全相通。从开发者角度来说，LangGraph也是使用LangChain底层API来接入各类大模型、LangGraph也完全兼容LangChain内置的一系列工具。简而言之，LangGraph的核心功能都是依托LangChain来完成。但是和LangChain的“链式工作流”哲学完全不同的是，LangGraph的基础哲学是“构建图结构”的工作流，并引入“状态”这一核心概念来描绘任务执行情况。很显然，图状工作流肯定比链式工作流功能要更加灵活，功能可拓展性也更强（比如下面右图中两个方框内图可看作两个独立运行的智能体，而下面左图只能依次执行）。从而拓展了LangChain LCEL链式语法的功能灵活程度。

不过要注意的是，LangGraph是基于LangChain构建的，无论图结构多复杂，单独每个任务执行链路仍然是线性的，其背后仍然是靠着LangChain的Chain来实现的。因此我们可以这么来描述LangChain和LangGraph之间的关系，LangGraph是LangChain工作流的高级编排工具，其中“高级”之处就是LangGraph能按照图结构来编排工作流。

2.2 LangGraph核心架构

为避免大家在学习LangGraph框架时云里雾里，笔者这里梳理了LangGraph的三层核心架构体系。本系列分享笔者会紧紧围绕这一体系展开。

2.2.1 LangGraph 底层 API

尽管图结构看起来比链式结构灵活很多，但在实际开发过程中，要创建一个图结构绝非易事，大家可以试想一下要在代码环境中描述清楚一个图，至少需要清晰的说明图中有哪些节点，不同节点间如何相连（边如何连接），同时还需要设置各节点功能，流程是十分复杂的。以一个包括最简单的加减法有向图为例:

复杂的流程严重影响了开发效率。（注：LangGraph的本质是DAG（有向无环图），但它扩展支持了“有状态循环图”，本质上是一种 可控状态机（State Machine））

2.2.2 LangGraph高层封装API

与LangChain既有LCEL语法，同时也有Agent API类似，LangGraph也提供了基于图结构基础语法的高层API。

LangGraph的高层API主要分为两层，其一是Agent API，用于将大模型、提示词模板、外部工具等关键元素快速封装为图中的一些节点，而更高一层的封装，则是进一步创建一些预构建的Agent、也就是预构建好的图，开发者只需要带入设置好要带入的工具和模型，三行代码就能借助这些预构建好的图，创建一个完整的Agent，大大提升了开发效率。（预构建图一定程度上和LangChain Agent API 类似）

2.2.3 LangGraph系列文章分享顺序

完整的LangGraph三层API架构图如下所示, 为了让大家由易到难逐步吃透LangGraph的核心技巧，我将按照从上到下：预构建图Agent API -> Agent Node API -> 构建图语法底层API的核心顺序进行分享，大家在阅读系列分享时要时刻与该图对应，建立完整的体系结构，学习会事半功倍。

三、LangGraph核心生态

LangGraph不但自身能力强大，更有一系列开发者套件为其保驾护航，它们分别是LangGraph运行监控框架LangSmith、LangGraph图结构可视化与调试框架LangGraph Studio、LangGraph服务部署工具LangGraph Cli、前端可视化工具 Agent Chat UI和LangGraph内置工具库与MCP调用组件。可以说这些开发工具套件，是真正推动LangGraph的企业级应用开发效率大幅提升的关键。同时监控、调试和部署工具，也是全新一代企业级Agent开发框架的必备工具，也是开发者必须要掌握的基础工具。

3.1 LangGraph运行监控框架：LangSmith

LangSmith （https://docs.smith.langchain.com/） 是一款用于构建、调试、可视化和评估 LLM 工作流的全生命周期开发平台。它聚焦的不是模型训练，而是我们在构建 AI 应用（尤其是多工具 Agent、LangChain/Graph）时的「可视化调试」、「性能评估」与「运维监控」。

3.2 LangGraph图结构可视化编辑与调试框架：LangGraph Studio

LangGraph Studio（https://langgraph.com.cn/cloud/how-tos/studio/quick_start/index.html） 是一个用于可视化构建图、测试、分享和部署智能体流程图的图形化 IDE + 运行平台。目前 LangGraph Studio已经被集成到LangGraph Cli中。

3.3 LangGraph服务部署工具：LangGraph Cli

LangGraph CLI （https://www.langgraph.dev/） 是用于本地启动、调试、测试和托管 LangGraph 智能体图的开发者命令行工具。一旦应用成功部署上线，LangGraph Cli会非常贴心的提供后端接口说明文档。而对于LangGraph构建的智能体，除了能够本地部署外，官方也提供了云托管服务，借助LangGraph Platform，开发者可以将构建的智能体 Graph部署到云端，并允许公开访问，同时支持支持长时间运行、文件上传、外部 API 调用、Studio 集成等功能。美中不足的是LangGraph Cli的使用需要科学上网。

3.4 LangGraph Agent前端可视化工具: Agent Chat UI

Agent Chat UI （https://langchain-ai.github.io/langgraph/agents/ui/） 是 LangGraph/LangChain 官方提供的多智能体前端对话面板，用于与后端 Agent（Graph 或 Chain）进行实时互动，支持上传文件、多工具协同、结构化输出、多轮对话、调试标注等功能。

3.5 LangGraph内置工具库与MCP调用组件

除了有上述非常多实用的开发工具外，LangGraph还全面兼容LangChain的内置工具集,毕竟可以理解为LangGraph就是LangChain的高级封装。LangChain自诞生之初就为开发者提供了非常多种类各异的、封装好的实用工具，历经几年发展时间，目前LangChain已经拥有了数以百计的内置实用工具，包括网络搜索工具、浏览器自动化工具、Python代码解释器、SQL代码解释器等。而作为LangChain同系框架，LangGraph也可以无缝调用LangChain各项开发工具，从而大幅提高开发效率。

此外，LangChain是最早支持MCP的开发框架之一，借助langchain-mcp-adapters，LangChain和LangGraph便可快速接入各类MCP工具。

四、总结

本期分享从LangGraph与LangChain的对比出发，介绍了LangGraph的三层核心架构、完整生态工具，带大家全面认识最火热最全面的智能体开发框架LangGraph。相信看到这儿大家已经迫不及待的想上手利用LangGraph配合自己的独特创意搭建AI Agent智能体了，别急，下期内容我们实战LangGraph高级API快速构建Agent的相关知识点。

五、如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】