1️⃣ LangChain 與 LangGraph 是什麼？

LangChain

• 定位：一個幫助開發者快速構建LLM應用開源框架
• 核心功能
  • 模型封裝（支援 OpenAI、Ollama、Claude、Gemini 等）
  • Prompt模板（方便維護提示詞）
  • Chains（把多個步驟組成流程）
  • Agents（讓 LLM 自主選擇工具並執行）
  • 記憶功能（儲存對話上下文）

LangGraph

• 定位：LangChain官方推出可視化與圖狀流程框架，適合構建多Agent協作與有狀態LLM應用
• 核心功能
  1. 流程圖（Graph）式思維
     用節點（Node）和邊（Edge）描述 LLM 流程
  2. 多Agent協作
     讓多個 AI 模型像團隊一樣互相傳遞訊息
  3. 狀態管理
     每個節點可維護上下文，讓流程可中斷、恢復、迭代
  4. 可視化工具
     幫助開發者用圖形化方式檢查流程

2️⃣ 中文圖解 — LangChain vs LangGraph

+----------------+        +----------------+
| LangChain      |        | LangGraph      |
+----------------+        +----------------+
| - Prompt 模板   |        | - 節點(Node)   |
| - 模型封裝      |        | - 邊(Edge)     |
| - Chains 流程   |        | - 狀態管理     |
| - Agents 工具   |        | - 多 Agent 協作 |
| - 記憶功能      |        | - 視覺化監控   |
+----------------+        +----------------+
      ↓                           ↓
  適合快速開發 LLM 應用     適合複雜、有狀態、多 Agent 的應用

LangGraph 概念圖（中文版）

[開始節點] → [Agent1：資料檢索]
       ↓
 [Agent2：資料分析]
       ↓
 [Agent3：產生最終回覆]

3️⃣ LangChain 基本程式碼範例

以下用 Python 展示一個最簡單的 LangChain 例子（串接 OpenAI GPT）

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.chains import LLMChain
# 1. 初始化 LLM
llm = ChatOpenAI(model="gpt-4o", temperature=0)
# 2. 定義 Prompt 模板
prompt = ChatPromptTemplate.from_template("請用一句中文解釋 {topic}")
# 3. 建立 Chain
chain = LLMChain(llm=llm, prompt=prompt)
# 4. 執行
result = chain.run({"topic": "LangChain 的用途"})
print(result)

4️⃣ LangGraph 基本程式碼範例

以下示範一個兩個 Agent 協作的 LangGraph 流程（簡化版）

from langgraph.graph import StateGraph, START, END
from langchain_openai import ChatOpenAI
# 節點狀態
class State:
    def __init__(self):
        self.messages = []
# 節點：第一個 Agent
def node_agent1(state: State):
    llm = ChatOpenAI(model="gpt-4o-mini")
    reply = llm.invoke("請給我一個 AI 技術的例子")
    state.messages.append(f"Agent1: {reply.content}")
    return state
# 節點：第二個 Agent
def node_agent2(state: State):
    llm = ChatOpenAI(model="gpt-4o-mini")
    reply = llm.invoke(f"請用三句話解釋：{state.messages[-1]}")
    state.messages.append(f"Agent2: {reply.content}")
    return state
# 建立圖形流程
graph = StateGraph(State)
graph.add_node("agent1", node_agent1)
graph.add_node("agent2", node_agent2)

graph.add_edge(START, "agent1")
graph.add_edge("agent1", "agent2")
graph.add_edge("agent2", END)

# 執行流程
final_state = graph.run(State())
print("\n".join(final_state.messages))

5️⃣ 適用場景比較

6️⃣ 結論

• LangChain → 像是 LLM 的「開發工具箱」
• LangGraph → 像是 LLM 的「流程控制室」
• 如果做單一任務的 AI 助手，用 LangChain 就好
• 如果要做多步驟、多 Agent、可視化監控的 AI 系統，用 LangGraph 更好