LangChain 早期让大模型应用工程化成为可能，但功能膨胀带来了复杂性。随着 AI Agent 承担真实业务，循环、状态、恢复等工程问题凸显，简单的链式结构难以应对。LangGraph 应运而生，通过状态图为复杂、有状态的 Agent 执行提供可控的运行时。LangChain 1.0 的“变窄”是一次成熟的架构分层：LangChain 聚焦入口和组件，LangGraph 负责复杂执行，Lang

LangChain 早期让大模型应用工程化成为可能，但功能膨胀带来了复杂性。随着 AI Agent 承担真实业务，循环、状态、恢复等工程问题凸显，简单的链式结构难以应对。LangGraph 应运而生，通过状态图为复杂、有状态的 Agent 执行提供可控的运行时。LangChain 1.0 的“变窄”是一次成熟的架构分层：LangChain 聚焦入口和组件，LangGraph 负责复杂执行，Lang

LangChain 早期让大模型应用工程化成为可能，但功能膨胀带来了复杂性。随着 AI Agent 承担真实业务，循环、状态、恢复等工程问题凸显，简单的链式结构难以应对。LangGraph 应运而生，通过状态图为复杂、有状态的 Agent 执行提供可控的运行时。LangChain 1.0 的“变窄”是一次成熟的架构分层：LangChain 聚焦入口和组件，LangGraph 负责复杂执行，Lang

LangChain 早期让大模型应用工程化成为可能，但功能膨胀带来了复杂性。随着 AI Agent 承担真实业务，循环、状态、恢复等工程问题凸显，简单的链式结构难以应对。LangGraph 应运而生，通过状态图为复杂、有状态的 Agent 执行提供可控的运行时。LangChain 1.0 的“变窄”是一次成熟的架构分层：LangChain 聚焦入口和组件，LangGraph 负责复杂执行，Lang