核心要点

  • LangChain（LCEL）：用管道把 Prompt、模型、解析器、检索器等组件串成链，擅长线性或 DAG 式的单向数据流，写起来简洁、组合性强。

  • LangGraph：把 Agent 建模成一张图（状态机），节点是计算步骤、边决定流转，原生支持循环、条件分支、人在环与检查点持久化。

  • 本质区别：LCEL 是无环数据流，难以优雅表达「反复调用工具直到完成」这类带回路与状态的控制流；LangGraph 专为有状态、可循环的 Agent 而生。

  • 选型：简单 RAG/链式调用用 LangChain LCEL 即可；多步、需自我反思/重试、多 Agent 协作或要可恢复的复杂 Agent，选 LangGraph。

标准回答

两者定位不同LangChain 是通用 LLM 应用框架，核心表达层是 LCEL（LangChain Expression Language）：用 | 把 Prompt、模型、输出解析器、检索器等可运行单元拼成「链」。它本质是一条单向的数据流，最适合线性或 DAG（有向无环图）式的组合——输入流过各节点产出结果，天然支持流式、批处理与异步。

但 Agent 的真实控制流往往带回路：调用工具 → 看结果 → 决定再调一次还是结束，可能循环很多轮，还要在中途暂停等人确认。这种「有状态 + 可循环 + 条件分支」的逻辑，用无环的 LCEL 表达会很别扭。LangGraph 的编排原理LangGraph 把应用建模成一个 StateGraph（状态图 / 状态机），三要素：

-State（共享状态）：一个贯穿全程的状态对象（通常是带 schema 的 dict），每个节点读它、更新它。更新通过 reducer 合并（如消息列表用追加而非覆盖）。
- Node（节点）： 一个函数或可运行单元，接收当前 State，返回对 State 的部分更新。节点就是「干活」的步骤，比如调模型、执行工具、做检索。
-Edge（边）：决定执行完一个节点后去哪。 普通边固定指向下一个节点； 条件边根据当前 State 动态路由（例如「模型要求调用工具就去 tool 节点，否则去 END」）。正是条件边让图能形成循环。

运行时，图从入口节点开始，节点更新状态、按边流转，直到走到 END。因为允许节点回到之前的节点，就自然实现了ReAct 式的工具调用循环 、自我反思与重试。 有状态带来的两大能力 - 检查点（Checkpoint）持久化 ： 每步状态可落库，于是能暂停与恢复、做时间旅行调试、崩溃后续跑，也是 人在环（human-in-the-loop） 的基础——在敏感节点前中断，等人审批后再继续。
-多 Agent 编排：把每个 Agent 作为子图或节点，用主图协调（supervisor、群体协作等模式），共享同一份状态。 一句话：LangChain 解决「怎么把组件串起来」，LangGraph 解决「怎么编排有状态、会循环、可中断的 Agent」。二者同源且互补——LangGraph 节点内部仍可以用 LCEL 写链。

常见误区

⚠️ 常见踩坑

误以为 LangGraph 是 LangChain 的「升级替代」、要全面取代它——其实两者互补，简单链式场景 LCEL 更轻量，LangGraph 节点内部照样用 LCEL。另一个误区是用 LCEL 硬写带循环的 Agent，结果靠手写 while 循环和散落的全局变量管理状态，既难维护又无法持久化与恢复；这正是 LangGraph 用显式 State + 条件边要解决的问题。

追问

追问 1：LangGraph 的条件边（conditional edge）具体怎么实现循环？

条件边在节点执行后调用一个路由函数，该函数读取当前 State 返回下一个节点的名字（或 END）。以 ReAct 为例：agent 节点调模型后，路由函数检查模型输出——若包含工具调用就路由到 tools 节点，tools 节点执行完用一条普通边回到 agent 节点，于是形成「agent → tools → agent → ...」的循环；当模型不再要求调工具时，路由函数返回 END 跳出。循环的终止完全由 State 内容驱动，必要时再加最大步数等护栏防止死循环。

追问 2：State 在多个节点并发更新时如何避免冲突？

LangGraph 为 State 的每个字段定义 reducer（归约函数）来合并更新，而不是简单覆盖。默认是覆盖，但像 messages 这类字段会用「追加」reducer（如 add_messages），这样多个节点各自返回的消息会被合并进列表而非互相冲掉。当图有并行分支（fan-out/fan-in）时，各分支对同一字段的更新会通过 reducer 汇聚，保证结果确定且不丢更新；设计 State schema 时为每个会被多处写的字段选对 reducer 是关键。

追问 3：检查点（checkpointer）在生产环境怎么落地，人在环如何实现？

给编译后的图配置一个 checkpointer（开发用内存版，生产用 Postgres/Redis 等持久化后端），并为每次会话传一个 thread_id。每执行一步，完整 State 会以该 thread 为键存盘，于是同一 thread 可随时恢复、回看历史、崩溃续跑。人在环则是在敏感节点前设置中断（interrupt before/after）：图执行到此暂停并保存状态，把待确认内容返回给前端；人审批或修改后，用同一 thread_id 恢复执行，状态无缝衔接。

🔗 相似问题

同一考点的不同问法，面试官可能换着问，一起刷更稳

没找到想看的面试题？把你想看的告诉我们 →

延伸学习

按主题分类的相关资源，便于系统复习

核心术语

查看更多 →

AI 工具

查看更多 →