创建时间: 2026-03-24最后更新: 2026-08-18作者: yangbo(5ed8d12eb)
1. 概述
通过上一章的学习,我们知道,优秀的 AI Agent 需要一个强大的内存调度架构。而 langChain 和 langGraph 则为此提供了具体的抽象能力,是构建 AI 伴侣 Agent 的得力助手
当然,langChain/langGraph 并非构建 Agent 的必备项,当我们的 Agent 比较简单时,我们可以自己轻松处理任务节点的编排,之所以选择 langChain/langGraph 是因为我们预设了我们的 Agent 在未来要面对复杂的编排和复杂的调度逻辑
假设用户向 AI 伴侣发送了一句话:
NOTE
你还记得我最喜欢什么蛋糕吗?
系统要给出自然且可信的回答,通常需要完成几项工作:理解用户正在询问过去的偏好,查询长期记忆,把检索结果和最近对话整理成上下文,调用模型生成回复,并把这一轮产生的新状态保存下来。
我们可以从需求的发展历程来理解 LangChain 和 LangGraph 的定位
刚开始开发时,需求非常简单,这些步骤可以 仅仅写在一个请求函数里
但是,当越来越多类似的需求出现时,我们可能就会考虑将这些步骤进行抽象,并形成一个一个可复用的功能模块,并在此基础之上快速组装出新的 Agent,我们需要统一接入模型、定义工具,组织功能节点之间的先后执行顺序,这个时候,我们就可以用到 langChain
继续发展下去,系统还会出现条件路由、跨请求状态、节点中断和恢复执行等需求。这时问题已经从 怎样组合能力 变成 怎样控制流程 ,LangGraph 则为这种显式调度提供了具体实现
订阅后可阅读剩余内容
AI 电子伴侣企业级项目实战
已发布239节计划发布120节目标已完成199%