本文介绍了LangGraph，作为LangChain生态系统的超级进化，它通过"图"而非"链"的方式组织智能体，实现更复杂的协作流程。文章解释了LangGraph中Agent和Tools的核心概念，并通过代码对比展示了LangGraph如何简化工具调用流程，让开发者能更专注于业务逻辑而非底层调用细节，极大提升开发效率。

核心概念：LangGraph究竟是什么？

在深入代码之前，我们必须先理解几个核心问题：

1. 1. LangGraph与LangChain的关系是什么？

• LangGraph并不是一个独立的框架，而是LangChain生态系统的一部分。你可以把它看作是LangChain在 Agent功能上的“超级进化”。
• LangChain的核心是通过“链（Chain）”的方式，将各个功能组件（模型、提示词、工具）串联起来，像是一行行代码，按顺序执行。
• LangGraph则是通过“图（Graph）”的方式，将多个智能体（Agent）以节点的形式组织起来，实现更复杂的、带循环和条件判断的协作流程。

2. 2. Agent (智能体) 的作用

• 在LangGraph中，Agent是应用的基础，它封装了大语言模型的各种能力。LangGraph提供了一种更简单、更标准化的方式来构建和封装Agent。
• 你可以把Agent理解为一个“员工”，比如一个“程序员Agent”，他知道如何从框架设计到代码编写，再到测试部署的整个流程。

3. 3. Tools (工具) 与Function Calling

• Tools，即我们常说的 Function Calling (函数调用)，是让大模型能够调用外部API或本地函数的能力。
• 当模型遇到自身知识无法解答的问题时（比如“今天几月几号？”），它不会胡编乱造，而是会请求调用你提供给它的工具（如一个获取当前日期的函数）。
• 这个过程通常需要两次交互：第一次模型判断需要用工具并返回请求，第二次程序执行工具后将结果返回给模型，模型再给出最终答案。

快速上手：LangChain与LangGraph代码实战

接下来，我们通过具体的代码案例，直观感受LangChain和LangGraph在实现方式上的区别。

1. 1. 环境搭建

首先，确保你已经安装了必要的依赖库。

# 安装LangGraph会自动安装LangChain的核心依赖pip install langgraph# 安装LangChain社区版，其中包含大量模型和组件的集成pip install langchain_community# 其他依赖pip install dashscope

1. 2. LangChain方式：基础交互与工具调用

这是使用LangChain实现工具调用的标准流程，你需要手动处理模型与工具之间的两次交互。

第一次——让模型判断是否需要调用工具：

# 导入所需模块import osimport datetimefrom langchain.tools import toolfrom langchain_community.chat_models import ChatTongyi# 定义大模型（此处以阿里云通义千问为例）llm = ChatTongyi(    model="qwen-plus",    api_key=os.environ["BAILIAN_API_KEY"])# 使用@tool装饰器定义一个工具@tool("get_current_date")defget_current_date():    """获取今天日期"""    return datetime.datetime.now().strftime("%Y-%m-%d")# 大模型绑定工具llm_with_tools = llm.bind_tools([get_current_date])# 将所有工具放入一个字典all_tools = {"get_current_date": get_current_date}# 初始化消息列表messages = ["今天几月几号"]# 第一次交互：让模型判断是否需要调用工具ai_msg = llm_with_tools.invoke(messages)messages.append(ai_msg)# 模型返回的工具调用请求ai_msg.tool_calls

输出：

[{'name': 'get_current_date',  'args': {},  'id': 'call_98f4cf84e6604be684c0d3',  'type': 'tool_call'}]

第二次——调用工具，并将将工具结果发回给模型，获取最终答案：

# 如果有匹配的工具调用if ai_msg.tool_calls:    for tool_call in ai_msg.tool_calls:        # 根据名称选择并执行工具        selected_tool = all_tools[tool_call["name"].lower()]        tool_message = selected_tool.invoke(tool_call)        # 将工具执行结果加入消息列表        messages.append(tool_message)# 第二次交互：将工具结果发回给模型，获取最终答案final_response = llm_with_tools.invoke(messages)final_response.content

输出：

今天是2025年9月4日。

1. 3. LangGraph方式：一键封装，轻松交互

使用LangGraph，上面的复杂流程可以被极大简化。create_react_agent 方法将模型和工具直接封装成一个功能完备的Agent，你只需要与这个Agent对话即可。

from langgraph.prebuilt import create_react_agent# 使用 LangGraph 将大模型和工具封装为一个 Agentagent = create_react_agent(    llm,    tools=[get_current_date],    prompt='你是一个智能助手，你可以调用工具来回答用户的问题。')# 直接与 Agent 对话，它会自动处理内部的工具调用流程response = agent.invoke({"messages": "今天几月几号"})response['messages'][-1].content

输出：

今天是2025年9月4日。

达到了相同效果。同时，通过对比可以发现，LangGraph将LangChain中需要手动处理的多步交互流程进行了高度封装，让开发者能更专注于业务逻辑，而不是底层的调用细节，极大地提升了开发效率。

希望这篇快速入门能帮助你对LangGraph建立清晰的认识，如果你也对LangGraph感兴趣，就赶快动手试试吧！

最后，有了AI编程的加持，基于LangGraph进行各种智能体的开发也变得简单了，所有的代码都可以让AI来写，你只要清楚你想要实现的功能、并且清晰地告诉AI就可以了。如果你也对智能体开发感兴趣，想用AI开发出实现各种功能的复杂智能体系统，不妨考虑扫码下方加入AI编程商业化实战营星球。目前第一期已经结束、老徐已经开启第二期报名，这个月马上开营，现在就是最好的加入时机，东哥已经帮大家争取到了30元的优惠券，扫码下方加入「AI编程星球」，与1000+伙伴一起升级打怪、接单变现，打造属于你的小工具商业帝国！也欢迎扫码进入东哥的AI编程交流群一起探索更多的可能！

读者福利大放送：如果你对大模型感兴趣，想更加深入的学习大模型**，那么这份精心整理的大模型学习资料，绝对能帮你少走弯路、快速入门**

如果你是零基础小白，别担心——大模型入门真的没那么难，你完全可以学得会！

👉 不用你懂任何算法和数学知识，公式推导、复杂原理这些都不用操心；
👉 也不挑电脑配置，普通家用电脑完全能 hold 住，不用额外花钱升级设备；
👉 更不用你提前学 Python 之类的编程语言，零基础照样能上手。

你要做的特别简单：跟着我的讲解走，照着教程里的步骤一步步操作就行。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

现在这份资料免费分享给大家，有需要的小伙伴，直接VX扫描下方二维码就能领取啦😝↓↓↓

为什么要学习大模型？

数据显示，2023 年我国大模型相关人才缺口已突破百万，这一数字直接暴露了人才培养体系的严重滞后与供给不足。而随着人工智能技术的飞速迭代，产业对专业人才的需求将呈爆发式增长，据预测，到 2025 年这一缺口将急剧扩大至 400 万！!

大模型学习路线汇总

整体的学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战，跟着学习路线一步步打卡，小白也能轻松学会！

大模型实战项目&配套源码

光学理论可不够，这套学习资料还包含了丰富的实战案例，让你在实战中检验成果巩固所学知识

大模型学习必看书籍PDF

我精选了一系列大模型技术的书籍和学习文档(电子版)，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

大模型超全面试题汇总

在面试过程中可能遇到的问题，我都给大家汇总好了，能让你们在面试中游刃有余

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

👉获取方式：

😝有需要的小伙伴，可以保存图片到VX扫描下方二维码免费领取【保证100%免费】

相信我，这套大模型系统教程将会是全网最齐全 最适合零基础的！！