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：

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