LangChain 與 LangGraph：深入探討它們的主要用途
AI Enthusiast
Exploring the forefront of AI with a focus on deep learning, reinforcement learning, and agentic AI. Passionate about creating intelligent, adaptive models and applying retrieval-augmented generation (RAG) techniques to push the boundaries of what's possible in real-world applications.
大型語言模型 (LLMs) 正在改變我們與技術互動的方式。這些 AI 系統能夠生成類似人類的文字、翻譯語言、創作內容以及回答複雜問題。為了充分利用它們的潛力，我們需要像 LangChain 與 LangGraph 這樣的專用工具。
LangChain 與 LangGraph 是由 LangChain Inc. 所開發的框架，用於構建由 LLM 推動的應用程式。本文探討它們的主要用途以及如何塑造 AI 驅動的應用程式。
LangChain：簡化 LLM 互動
LangChain 最初作為一個開源專案開始，後來演變成由 Harrison Chase 領導的一家公司。它透過建立一連串的操作鏈，讓任務得以依序執行，從而簡化了 LLM 驅動應用程式的開發。
主要功能與能力
LLM 介面：提供 API 用以連接和查詢 LLM，讓開發者能夠透過簡單的 API 呼叫與 GPT、Bard 及 PaLM 等模型互動。
提示模板：提供預建的查詢格式結構，確保對 AI 模型查詢的一致性與精準性，這些模板可以在不同應用程式及語言模型間重複使用。
代理人：允許開發者組合與客製化操作鏈，以應對複雜應用程式。代理人會根據使用者輸入、可用工具以及可能的中間步驟，決定最佳的操作序列。
檢索模組：透過轉換、存儲、搜尋及檢索資訊來改進 LLM 回應，進而建立 RAG 系統，包括使用詞嵌入創建資訊的語義表示並存放於向量資料庫中。
記憶功能：允許 LLM 應用程式記住過去的互動，提升上下文連貫性與一致性。這可以是簡單的短期記憶，也可以是分析歷史訊息的複雜結構。
回呼：支援記錄、監控以及串流 LangChain 操作中的事件，讓開發者能夠追蹤如操作鏈呼叫及遇到錯誤等事件。
此外，LangChain 提供 LangChain 表達語言 (LCEL)，這是一種宣告式語言，可簡化連接操作鏈並改善從發出請求到獲得回應的時間。它還提供接入工具，如 Wolfram Alpha 用於運算與資料視覺化、Google 搜尋用於實時資訊查詢、OpenWeatherMap 用於天氣資料及 Wikipedia 用於存取文章。
LangChain 支援多種嵌入方法及向量資料庫，增強了它將 LLM 與外部知識連結的能力，從而有助於建立健全的 RAG 應用程式。
LangChain 的主要用途
聊天機器人：構建能進行自然對話的聊天機器人
問答系統：開發能提供準確回答的系統
摘要：將大量文字壓縮成簡明摘要
程式碼生成：生成多種程式語言的程式碼
內容創作：生產各種創意文本格式
LangGraph：協調複雜工作流程
LangGraph 擴展了 LangChain 的功能，允許創建循環圖，這對於複雜代理運行時至關重要。與 LangChain 的線性方法相比，它能支援更複雜且動態的工作流程。
主要功能與能力
基於圖的工作流程：將工作流程定義為有向圖，節點代表任務，而邊則表示執行流程，這種視覺化表示法簡化了複雜互動的管理。
循環圖：支援循環圖，允許迴圈和反饋機制，這對於需要反覆處理或動態調整的情境至關重要。
狀態管理：提供強大的狀態管理能力，使應用程式能夠保持上下文與記憶，對於構建有狀態的代理系統非常關鍵。
狀態：作為記憶庫，記錄並追蹤 AI 系統處理的資訊，使代理能夠進行「反思」，以改進決策。
節點：代表 LangGraph 的基本構件，執行計算並促進資訊在圖中的流動。
邊：定義節點之間的連接，決定執行流程並根據狀態或其他節點的輸出實現條件路由。
人機協作：在特定執行階段允許人工干預，提供更大的控制與監督。
LangGraph 能夠處理傳統 DAG 無法支持的循環計算步驟，從而實現更為複雜的代理行為與迭代決策流程。
LangGraph 的主要用途
高級聊天機器人：開發能處理複雜、多輪對話與決策的聊天機器人
自主代理：建立能在最少人工干預下執行任務與作出決策的代理系統
多代理系統：創建多個代理協作達成共同目標的系統，實現高效平行執行與去中心化協調
工作流程自動化：自動化涉及資料處理、決策與人工互動的複雜工作流程
聊天機器人與對話式 AI
LangChain 與 LangGraph 均可用於構建聊天機器人。然而，LangGraph 能夠支持更複雜的聊天機器人，處理多輪動態對話與決策過程。
LangChain 與 LangGraph 的比較：選擇合適的工具
雖然兩個框架都具有強大功能，但它們存在一些關鍵差異：
| 特性 | LangChain | LangGraph |
| 工作流程結構 | 線性、順序 | 循環、基於圖 |
| 狀態管理 | 有限 | 強大 |
| 複雜度 | 較低 | 較高 |
| 優點 | 易用性、模組化 | 複雜工作流程的靈活性 |
| 缺點 | 對複雜工作流程擴展性有限 | 學習曲線較陡峭 |
| 使用案例 | 聊天機器人、問答、摘要 | 高級聊天機器人、自主代理、多代理系統 |
最新更新與發展
LangChain：
升級到 Pydantic 2，提升效能與相容性
簡化工具定義與使用方式
新增與聊天模型互動的工具
LangGraph：
發佈 0.3 版本，預置代理人使開發更便捷
通過將預置組件移至獨立套件提升模組化程度
社群資源
LangChain：
- 社群 Slack 提供即時討論與支援
LangGraph：
- GitHub 討論區供使用者分享經驗與提問
結論
LangChain 與 LangGraph 正在革新 LLM 應用程式的開發。LangChain 以其模組化框架簡化了開發流程，而 LangGraph 則支援更複雜、有狀態的系統。透過深入了解它們各自的優勢，開發者可以釋放 LLM 的全部潛力。這些框架不僅是工具，更是通向未來 AI 無縫整合的門戶，將自動化任務、提升創意並在各行各業提供智能解決方案。隨著 LLM 的持續進化，LangChain 與 LangGraph 無疑將在推動下一代 AI 驅動應用程式中扮演舉足輕重的角色。
