LangChain 与 LangGraph 项目实战:从对话生成到可编辑工作流

假设我们要做一个文章生成工具,用户输入这样的需求:

输入一个技术主题,先生成提纲,再根据提纲写正文。提纲和正文的提示要求都可以修改,同一套流程下次还能换一个主题运行。

一次模型调用也能直接返回整篇文章。但如果用户想单独检查提纲、调整正文的输入,或者看清失败发生在哪一步,就需要把过程显式表达出来。工作流编辑器的价值,正是让这些步骤成为可以理解、修改和重复执行的对象。

本文围绕“主题 → 提纲 → 正文 → 最终结果”展开:先说明工作流怎样描述,再解释 LangChain 与 LangGraph 各自承担的工作,最后讨论画布编辑、异步交互和运行反馈。

前端实现可以参考我放在 GitHub 的 **LangChainWeb**,使用 React、React Flow 和 Zustand。文中的前端实现说明对应公开仓库;执行器、校验和持久化部分讨论通用设计,不代表该前端仓库单独提供了完整服务。

LangChain 和 LangGraph 的区别,结合可视化工作流理解选型

准备做一个 AI 应用时,经常会遇到这个问题:已经能用模型 SDK 发请求了,还需要 LangChain 吗?如果接下来有多个步骤,是不是就应该直接上 LangGraph?

只用“简单任务选 LangChain,复杂任务选 LangGraph”来判断,信息还不够。一个步骤很多但顺序固定的任务,可能用普通函数就能维护;一个看似简单的“查到合适资料再回答”,却可能需要模型反复选择工具。两种复杂性并不一样。

更有用的判断依据是:谁决定下一步,哪些数据需要保留,任务中断后要怎样继续。 本文沿着这三个问题比较两者,并结合 GitHub 上的 LangChainWeb,说明可视化编辑与运行编排之间的关系。

LangGraph 入门:用状态、节点和连线构建工作流

一段任务只有“接收输入 → 调用函数 → 返回结果”时,用普通异步函数就很好理解。需求一旦变成“按类型走不同处理器”“等两个步骤完成再汇总”“检查不通过就修改”,需要关心的就不只是某个函数,而是整个执行过程。

例如,一个客服工具要先判断咨询类型,再分别准备退款、开票或普通问题的回复。后来又增加了查询订单、检查回复、交给人工确认等步骤。此时我们需要回答:当前有哪些数据?下一步为什么执行?失败后会重复哪些操作?

LangGraph 用状态、节点和边描述这类任务。本文从一个不依赖模型的工单分流案例开始,沿着一次运行解释它的工作方式,再讨论并发、循环和恢复。这里侧重原理与实现步骤,不展开具体项目的服务端代码。


:D 一言句子获取中...