理清 LangChain 和 LangGraph 的核心区别，本质是要分清「通用 Agent 框架」和「专注 Agent 工作流/多智能体协作的子框架」的关系——LangGraph 是 LangChain 生态的核心组件，而非竞品，两者结合使用能覆盖从“简单工具调用”到“复杂多 Agent 协作”的全场景，下面结合医院 MCP 服务场景拆解，帮你明确各自定位和使用方式：

一、核心定位（

二、核心区别拆解（从你的 MCP 服务场景出发）

1. 核心能力：“全栈基础能力” vs “专精工作流协作”

• LangChain 核心能力：

覆盖 Agent 开发的“基础层”，解决「AI 怎么调用工具、怎么对接数据、怎么和大模型交互」的问题：

• 工具封装：把你的 MCP-LabExam、MCP-MedicalOrder 服务封装为 Custom Tool；

• 数据交互：对接医院数据库做 RAG 检索（比如患者历史检验数据）；

• 模型对接：适配 OpenAI/本地 Ollama 模型，管理 Prompt/上下文；

• 简单链编排：用 SequentialChain 实现“查检验数据→查医嘱”的线性流程（无状态、无分支）。

  👉 适合：单一 Agent 完成简单、线性的任务（比如“调用 MCP 服务查单个患者的异常检验数据”）。

• LangGraph 核心能力：

聚焦 Agent 开发的“流程层”，解决「多 Agent 怎么分工、任务怎么分支/循环、状态怎么保存」的问题：

• 有状态工作流：记住上一轮调用 MCP 服务的结果（比如“患者血常规异常”），决定下一轮是否调用医嘱服务；

• 分支/循环逻辑：支持 if-else（比如“异常数据＞3 项则调用审核 Agent，否则直接返回”）、循环（比如“重试调用 MCP 服务直到成功”）；

• 多 Agent 协作：定义角色（检验 Agent/医嘱 Agent/审核 Agent），指定任务分发规则（比如检验 Agent 查完数据后，把结果传给审核 Agent）；

• 人机交互节点：支持流程中插入人工确认（比如“异常数据需医生确认后再生成报告”）。

  👉 适合：多 Agent 完成复杂、有分支/状态的任务（比如“批量查询患者数据→异常数据审核→生成报告→对接医嘱服务”）。

2. 使用关系：LangGraph 依赖 LangChain，而非替代

LangGraph 是 LangChain 生态的一部分，不能脱离 LangChain 单独使用：

• LangChain 提供“工具、模型、数据”等基础能力；

• LangGraph 基于这些基础能力，做“流程编排、多 Agent 协作”；

• 比如：你先在 LangChain 中封装好 MCP 服务的 Tool，再在 LangGraph 中定义“什么时候调用这个 Tool、哪个 Agent 调用、调用失败后怎么重试”。

3. 代码示例对比（对接你的 MCP 服务）

示例 1：LangChain 实现简单线性调用（单一 Agent）

from langchain_openai import ChatOpenAI
from langchain.agents import create_openai_tools_agent, AgentExecutor
from langchain.tools import tool
import requests

# 1. LangChain 封装 MCP 服务工具
@tool
def mcp_labexam_tool(patient_id: str) -> str:
    """调用 MCP-LabExam 服务查询患者异常检验数据"""
    res = requests.post(
        "http://你的 MCP 地址:8081/mcp/labexam",
        json={"patient_id": patient_id, "data_filter": "ABNORMAL"}
    )
    return res.json()

# 2. 简单线性调用（无分支、无状态）
llm = ChatOpenAI(model="gpt-3.5-turbo")
agent = create_openai_tools_agent(llm, [mcp_labexam_tool], prompt="你是检验数据查询 Agent，调用工具查患者异常数据")
agent_executor = AgentExecutor(agent=agent, tools=[mcp_labexam_tool])

# 3. 执行（单次调用，无状态）
result = agent_executor.invoke({"input": "查询患者 P123456 的异常检验数据"})
print(result)

示例 2：LangGraph 实现多 Agent 协作（有分支、有状态）

from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, END
from langgraph.prebuilt import ToolNode, HumanNode
from langchain.tools import tool
import requests

# 1. 先在 LangChain 中封装 MCP 工具（基础能力）
@tool
def mcp_labexam_tool(patient_id: str) -> str:
    """调用 MCP-LabExam 服务查询患者异常检验数据"""
    res = requests.post("http://你的 MCP 地址:8081/mcp/labexam", json={"patient_id": patient_id})
    return res.json()

@tool
def mcp_medicalorder_tool(patient_id: str) -> str:
    """调用 MCP-MedicalOrder 服务查询患者固定医嘱"""
    res = requests.post("http://你的 MCP 地址:8082/mcp/medicalorder", json={"patient_id": patient_id})
    return res.json()

# 2. 定义工作流状态（保存任务上下文）
class State:
    patient_id: str
    labexam_result: str = ""
    medicalorder_result: str = ""
    need_review: bool = False

# 3. 定义节点（Agent 角色）
llm = ChatOpenAI(model="gpt-3.5-turbo")
# 检验 Agent 节点：调用检验工具
def labexam_agent(state: State):
    tool_node = ToolNode([mcp_labexam_tool])
    result = tool_node.invoke({"input": state.patient_id, "tools": [mcp_labexam_tool.name]})
    state.labexam_result = result["output"]
    # 异常数据＞2 项则需要审核
    state.need_review = len(state.labexam_result.get("异常项", [])) > 2
    return state

# 医嘱 Agent 节点：调用医嘱工具
def medicalorder_agent(state: State):
    tool_node = ToolNode([mcp_medicalorder_tool])
    result = tool_node.invoke({"input": state.patient_id, "tools": [mcp_medicalorder_tool.name]})
    state.medicalorder_result = result["output"]
    return state

# 审核节点（人工确认）
human_node = HumanNode()

# 4. 定义工作流（分支逻辑）
graph = StateGraph(State)
# 添加节点
graph.add_node("labexam_agent", labexam_agent)
graph.add_node("medicalorder_agent", medicalorder_agent)
graph.add_node("human_review", human_node)
# 定义流程：检验 Agent → 判断是否需要审核 → 医嘱 Agent/人工审核 → 结束
graph.set_entry_point("labexam_agent")
# 分支逻辑：need_review 为 True 则走人工审核，否则直接调用医嘱 Agent
graph.add_conditional_edges(
    "labexam_agent",
    lambda state: "human_review" if state.need_review else "medicalorder_agent",
    {"human_review": "medicalorder_agent", "medicalorder_agent": END}
)
graph.add_edge("human_review", "medicalorder_agent")

# 5. 执行工作流（有状态、多分支）
app = graph.compile()
result = app.invoke({"patient_id": "P123456"})
print(f"检验结果：{result['labexam_result']}")
print(f"医嘱结果：{result['medicalorder_result']}")

4. 适配医院 MCP 服务场景：什么时候用哪个？

三、核心总结

1. 核心关系

• LangGraph 是 LangChain 的子框架/扩展，依赖 LangChain 提供的工具、模型、数据能力；

• LangChain 解决“Agent 能做事”，LangGraph 解决“Agent 怎么有逻辑地、多角色地做事”。

2. 选型关键点

• 简单线性任务（单一 Agent、无分支）→ 仅用 LangChain；

• 复杂流程任务（多 Agent、分支/循环/状态/人工交互）→ LangChain + LangGraph；

• 你的医院 MCP 服务场景：

  • 基础场景（单患者数据查询）：仅用 LangChain；

  • 进阶场景（批量查询、异常审核、多 Agent 协作）：LangChain 封装 MCP 工具 + LangGraph 编排流程。

3. 优势对比