本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# LangChain 和 LangGraph
<a name="langchain-langgraph"></a>

LangChain是代理人工智能生态系统中最成熟的框架之一。 LangGraph扩展了其功能，以支持[LangChain博客](https://blog.langchain.dev/how-to-think-about-agent-frameworks/)中所述的复杂、有状态的代理工作流程。它们共同为构建复杂的自主 AI 代理提供了全面的解决方案，这些代理具有丰富的编排能力，可实现独立操作。

## 和的主要特LangChain点 LangGraph
<a name="key-features-of-langchain-and-langgraph"></a>

LangChain并LangGraph包括以下主要功能：
+ **组件生态系统** — 庞大的预建组件库，用于各种自主代理功能，可实现专业代理的快速开发。有关更多信息，请参阅LangChain文档中的[快速入门](https://docs.langchain.com/oss/python/langchain/quickstart)。
+ **基础模型选择** — 支持各种基础模型，包括 Anthropic Claude、亚马逊 Bedrock 上的 Amazon Nova 模型（Premier、Pro、Lite 和 Micro），以及其他用于不同推理能力的模型。有关更多信息，请参阅LangChain文档中的[输入和输出](https://python.langchain.com/docs/concepts/chat_models/#inputs-and-outputs)。
+ **LLM API 集成** — 适用于多个大型语言模型 (LLM) 服务提供商（包括 Amazon Bedrock）和其他提供商的标准化接口OpenAI，以实现灵活部署。有关更多信息，请参阅 LangChain文档中的 [LLMs](https://python.langchain.com/docs/integrations/llms/)。
+ **多模态处理** — 内置文本、图像和音频处理支持，可实现丰富的多模态自主代理交互。有关更多信息，请参阅文档中的[多模态](https://python.langchain.com/docs/concepts/chat_models/#multimodality)。LangChain
+ **基于图形的工作流程** — LangGraph 支持将复杂的自主代理行为定义为状态机，支持复杂的决策逻辑。有关更多信息，请参阅[LangGraph平台正式发布公](https://blog.langchain.dev/langgraph-platform-ga/)告。
+ **内存抽象** — 短期和长期内存管理的多个选项，这对于随着时间的推移维护上下文的自主代理来说是必不可少的。有关更多信息，请参阅LangChain文档中的[如何为聊天机器人添加内存](https://python.langchain.com/docs/how_to/chatbots_memory/)。
+ **工具集成** — 丰富的跨各种服务的工具集成生态系统 APIs，并扩展了自主代理功能。有关更多信息，请参阅LangChain文档中的[工具](https://python.langchain.com/docs/how_to/#tools)。
+ **LangGraph 平台** — 适用于生产环境的托管部署和监控解决方案，支持长期运行的自主代理。有关更多信息，请参阅[LangGraph平台正式发布公](https://blog.langchain.dev/langgraph-platform-ga/)告。

## 何时使用LangChain和 LangGraph
<a name="when-to-use-langchain-and-langgraph"></a>

LangChain特别LangGraph适合自主代理场景，包括：
+ 复杂的多步骤推理工作流程，需要复杂的编排才能自主决策
+ 需要访问由预先构建的组件和集成组成的庞大生态系统以实现各种自动驾驶能力的项目
+ 拥有Python基于现有机器学习 (ML) 基础架构和专业知识且想要构建自主系统的团队
+ 需要在长时间运行的自治代理会话中进行复杂状态管理的用例

## LangChain和的实施方法 LangGraph
<a name="implementation-approach-for-langchain-and-langgraph"></a>

LangChain并为业务利益相关者LangGraph提供结构化的实施方法，详见[LangGraph文档](https://python.langchain.com/docs/langgraph)。该框架使组织能够：
+ 定义代表业务流程的复杂工作流程图。
+ 使用决策点和条件逻辑创建多步骤推理模式。
+ 集成多模态处理功能，用于处理不同的数据类型。
+ 通过内置的审查和验证机制实施质量控制。

这种基于图表的方法允许业务团队将复杂的决策过程建模为自主工作流程。团队可以清楚地了解推理过程的每个步骤，并且能够审计决策路径。

## LangChain和的真实示例 LangGraph
<a name="real-world-example-of-langchain-and-langgraph"></a>

Vodafone已使用LangChain（和LangGraph）实现了自治代理，以增强其数据工程和运营工作流程，详见其[LangChain企业案例研究](https://blog.langchain.com/customers-vodafone/)。他们构建了内部 AI 助手，可以自动监控性能指标，从文档系统中检索信息，并提供切实可行的见解，所有这些都通过自然语言交互完成。

该Vodafone实现使用LangChain模块化文档加载器、向量集成以及对多个 LLMs（OpenAI、LLaMA 3 和Gemini）的支持来快速对这些管道进行原型设计和基准测试。然后，他们过去通过部署模块化子代理LangGraph来构建多代理编排。这些代理执行收集、处理、汇总和推理任务。 LangGraph将这些代理集成 APIs 到他们的云系统中。