本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

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

LangChain 是代理式 AI 生態系統中最成熟的架構之一。 LangGraph擴展其功能以支援複雜且具狀態的代理程式工作流程，如 [LangChain 部落格](https://blog.langchain.dev/how-to-think-about-agent-frameworks/)中所述。它們共同提供全方位解決方案，以建置複雜的自主 AI 代理器，並具有豐富的協同運作功能，用於獨立操作。

## LangChain 和 的主要功能 LangGraph
<a name="key-features-of-langchain-and-langgraph"></a>

LangChain 和 LangGraph包含下列主要功能：
+ **元件生態系統** – 適用於各種自動代理程式功能的大量預先建置元件程式庫，可快速開發專用代理程式。如需詳細資訊，請參閱 LangChain 文件中的 [Quickstart](https://docs.langchain.com/oss/python/langchain/quickstart)。
+ **基礎模型選擇** – 支援 Amazon Bedrock 上的各種基礎模型，包括 Anthropic Claude、Amazon Nova 模型 (Premier、Pro、Lite 和 Micro)，以及其他具有不同推理功能的模型。如需詳細資訊，請參閱 LangChain 文件中的[輸入和輸出](https://python.langchain.com/docs/concepts/chat_models/#inputs-and-outputs)。
+ **LLM API 整合** – 適用於多個大型語言模型 (LLM) 服務提供者的標準化界面，包括 Amazon BedrockOpenAI、 和其他可靈活部署的 。如需詳細資訊，請參閱 LangChain 文件中的 [LLMs](https://python.langchain.com/docs/integrations/llms/)。
+ **多模態處理** – 內建支援文字、影像和音訊處理，以啟用豐富的多模態自動代理程式互動。如需詳細資訊，請參閱 LangChain 文件中的[多模態](https://python.langchain.com/docs/concepts/chat_models/#multimodality)。
+ 以**圖形為基礎的工作流程** – LangGraph可將複雜的自主代理程式行為定義為狀態機器，支援複雜的決策邏輯。如需詳細資訊，請參閱[LangGraph平台 GA ](https://blog.langchain.dev/langgraph-platform-ga/)公告。
+ **記憶體抽象化 – **短期和長期記憶體管理的多個選項，這對隨著時間維持內容的自動代理程式至關重要。如需詳細資訊，請參閱 LangChain 文件中的[如何將記憶體新增至聊天機器人](https://python.langchain.com/docs/how_to/chatbots_memory/)。
+ **工具整合** – 跨各種服務和 APIs 的豐富工具整合生態系統，擴展自動代理程式功能。如需詳細資訊，請參閱 LangChain 文件中的[工具](https://python.langchain.com/docs/how_to/#tools)。
+ **LangGraph 平台** – 生產環境的受管部署和監控解決方案，支援長時間執行的自動代理程式。如需詳細資訊，請參閱[LangGraph平台 GA ](https://blog.langchain.dev/langgraph-platform-ga/)公告。

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

LangChain 和 LangGraph特別適合自動代理程式案例，包括：
+ 複雜的多步驟推理工作流程，需要複雜的協同運作來進行自動決策
+ 需要存取大型生態系統的專案，這些生態系統包含預先建置的元件和整合，以實現各種自動化功能
+ 與想要建置自動化系統的現有 Python型機器學習 (ML) 基礎設施和專業知識的團隊
+ 需要跨長時間執行的自動代理程式工作階段進行複雜狀態管理的使用案例

## LangChain 和 的實作方法 LangGraph
<a name="implementation-approach-for-langchain-and-langgraph"></a>

LangChain 並為業務利益相關者LangGraph提供結構化實作方法，如 [LangGraph 文件](https://python.langchain.com/docs/langgraph)所述。此架構可讓組織：
+ 定義代表業務流程的複雜工作流程圖表。
+ 使用決策點和條件式邏輯建立多步驟推理模式。
+ 整合多模式處理功能，以處理各種資料類型。
+ 透過內建的檢閱和驗證機制實作品質控制。

這種以圖形為基礎的方法可讓業務團隊將複雜的決策程序建模為自動化工作流程。團隊清楚了解推理程序的每個步驟，以及稽核決策路徑的能力。

## LangChain 和 的實際範例 LangGraph
<a name="real-world-example-of-langchain-and-langgraph"></a>

Vodafone 已使用 LangChain（和 LangGraph) 實作自動代理程式，以增強其資料工程和操作工作流程，如[LangChain企業案例研究](https://blog.langchain.com/customers-vodafone/)中所述。他們建立了內部 AI 助理，可透過自然語言互動自動監控效能指標、從文件系統擷取資訊，以及提供可行的洞見。

Vodafone 實作使用LangChain模組化文件載入器、向量整合和對多個 LLMs(OpenAI、LLaMA 3 和 Gemini) 的支援，來快速建立原型並對這些管道進行基準測試。然後，它們透過部署模組化子代理程式LangGraph來建構多代理程式協同運作。這些代理程式會執行收集、處理、摘要和推理任務。 透過 APIs將這些代理程式LangGraph整合到其雲端系統中。