前言

經過前 13 天，我們一步步讓 LLM 從單純回話工具，逐漸具備了 Agentic 的核心能力。
在「旅途中繼站」回顧後，我們要開始進入實戰篇：不只是 Demo，而是要用 架構化方式，把能力組織起來。

值得注意的是，LangChain 官方已公告在今年 10 月全面切換到 v1.0 版本，舊版 API 將逐步淘汰。
因此，這裡我們直接研究 最新 v1.0 的設計，讓未來的實作與維護更穩健。

如果說前半程像是「徒步旅行」，今天開始，我們要拿出 地圖（架構） 與 指南針（控制流），讓旅程更長遠、更可靠。這就是 LangChain × LangGraph 要帶來的力量。

LangChain：工具箱與積木

LangChain v1.0 把介面大幅簡化，核心功能聚焦在六大模組：

核心功能

• Agents：代理人，能判斷是否呼叫工具，並整合輸出。
• Models：核心模型（文字、多模態、推理），支援 invoke / stream / batch。
• Messages：標準訊息格式（含 .content_blocks），讓輸入輸出一致。
• Tools：封裝外部功能（API、函式），可由模型透過 tool calling 呼叫。
• Short-term memory：保存上下文。
• Streaming：即時輸出（chunk 與事件流）。

圖：LangChain v1.0 的積木式架構，Agent 作為核心，結合模型、工具、記憶與串流，處理輸入並輸出結果

v1.0 的有感改變

今年 10 月要全面上線的 LangChain v1.0，其實帶來了幾個關鍵轉變，對開發者來說「用起來真的有感」。

1. Agent 抽象更統一

   • 過去有 ReAct、Plan-and-Solve、ReAct-Retry… 等多種 agent 寫法，新手常常不知道該挑哪一種。
   • 在 v1.0，這些主流做法都整合到一個更成熟的 Agent 抽象，使用上更直覺。
   • 如果是複雜或非典型的情境（例如多分支、多代理人），才建議用更底層、可彈性組裝的 LangGraph。

2. 輸出格式更標準

   • 各家 LLM API 回傳格式差異很大，以前要自己處理 parsing，非常麻煩。
   • v1.0 引入了統一的 content_blocks 屬性，把推理過程、工具呼叫、引用來源，甚至多媒體內容，都放進相同結構裡。
   • 好處是：你不需要再寫一堆相容層，直接用同一套 API 解析即可。

簡單來說：

• Agent 更簡潔統一，少了選擇困難。
• 輸出更有一致性，少了 parsing 地獄。

這些改動，讓 v1.0 不只是「改版號」，而是真正替開發者省下學習與維護成本。

最小 Demo：Gemini + Tool Calling Agent

這邊我們拿 核心篇 Day 6 (Tool Use)「查今天維也納的天氣」的例子運用 LangChain 來重新實作

1. 安裝最新 v1.0 的 LangChain 以及 Gemini model 套件

pip install -q --pre -U langchain
pip install -q -U langchain-google-genai

2. 用 LangChain v1.0 實作「查今天維也納的天氣」，簡單幾行程式碼就能實現

from langchain_google_genai import ChatGoogleGenerativeAI
from langchain.agents import create_agent
from langchain_core.tools import tool

# 1. 定義工具（用 @tool 包裝）
@tool
def get_weather(city: str) -> str:
    """查詢指定城市的天氣狀況。"""
    weather_data = {
        "維也納": "大晴天，氣溫 22°C",
        "台北": "多雲，氣溫 30°C",
    }
    return weather_data.get(city, "查無資料")

# 2. 初始化 Gemini 模型
llm = ChatGoogleGenerativeAI(
    model="gemini-2.5-flash",
    temperature=0,
)

# 3. 建立 Agent（支援 tool calling）
agent = create_agent(
    model=llm,
    tools=[get_weather],
)

# 4. 使用者查詢
query = "請告訴我今天維也納的天氣"

# 5. 由 Agent 決定是否呼叫工具
result = agent.invoke({"messages": [{"role": "user", "content": query}]})

# 6. 輸出最終回覆
print(result["messages"][-1].content)

3. 執行結果

這個範例展示了最小的 LangChain v1.0 Agent：使用者輸入經過模型判斷，若需要，會自動呼叫工具，最後整合輸出。

LangGraph：狀態機與有向圖

光有積木還不夠，我們需要一張「路線圖」，能處理分支、迴圈、決策。這就是 LangGraph。

核心功能

• StateGraph：以狀態機（state machine）方式構建流程。
• Node：節點，執行一段邏輯（模型推理、工具呼叫…）。
• Edge：節點之間的路徑，靜態或條件式。
• State：共享上下文，保存輸入與輸出。
• Compile → App：編譯成可執行應用，可 invoke() 或 stream()。

圖：LangGraph 的狀態機流程圖，以 Router 決策分流，經過 Reason 或 Tool 節點，再由 Observe 節點整合輸出

Demo：最小 StateGraph

pip install --pre -U langgraph

from langchain_google_genai import ChatGoogleGenerativeAI
from langgraph.graph import StateGraph, END
from typing import TypedDict

# 初始化 Gemini
llm = ChatGoogleGenerativeAI(model="gemini-2.5-flash", temperature=0)

# 定義狀態
class State(TypedDict):
    message: str

# 節點
def start_node(state: State):
    resp = llm.invoke(f"Say hello to {state['message']}")
    return {"message": resp.content}

def end_node(state: State):
    print("LangGraph Output:", state["message"])
    return state

# 建立圖
graph = StateGraph(State)
graph.add_node("start", start_node)
graph.add_node("end", end_node)

graph.set_entry_point("start")
graph.add_edge("start", "end")

app = graph.compile()
app.invoke({"message": "LangGraph"})

這個範例展示了最小的 StateGraph，只有兩個節點（start → end）。雖然只是打招呼，但能清楚看到 狀態流動與節點邏輯。

LangChain × LangGraph 的互補關係

官方 (v1.0) 建議：

If you are just getting started with agents, or want a higher level abstraction, it is recommended that you use LangChain’s agents.

也就是說：

• LangChain Agents：已足夠應付大多數情境（tool calling、記憶、streaming、簡單分支）。
• LangGraph：專注於 底層 orchestration（狀態機、長時間任務、人類介入、debug 與視覺化），適合更複雜或生產級應用。

什麼情境用 LangChain？什麼情境需要 LangGraph？

如果你只是要開發一般的 AI 助理、聊天機器人，或是做簡單的工具串接，LangChain v1.0 的 Agents 就已經足夠。它幫你處理了 Prompt、模型呼叫、工具調用、短期記憶和串流輸出，大部分應用都能直接搞定。

但如果遇到以下情境，就會建議引入 LangGraph：

• 流程需要清楚顯示分支或條件判斷（像狀態機）。
• 任務可能要跑很久，甚至能恢復執行（例如長時間的任務）。
• 需要人類在中途介入，檢查或修改 Agent 的狀態。
• 要做多代理人協作，多個 Agent 之間要互相傳遞訊息。
• 在生產環境中，需要可視化、可監控、可 debug 的工作流。

換句話說：

• LangChain = 像樂高積木，適合快速組合出常見功能。
• LangGraph = 像設計藍圖，適合需要流程透明、耐久執行的大專案。

小結

今天，我們從「積木」到「地圖」，認識了 LangChain v1.0 的核心組件，也看到了 LangGraph 的狀態機思維。

• 由於今年 10 月起，LangChain 將全面切換到 v1.0，因此我們的實作全部以新版 API 為基準。
• 對於大部分應用：LangChain Agents 就足夠。
• 若要更高可控性（長時間任務、Human-in-the-loop、多代理人），才需要 LangGraph。

接下來，我們將在這個基礎上，逐步把 CoT、RAG、Reflection、Memory 等能力工程化落地。

圖：維也納中央車站（Wien Hauptbahnhof）。現代感十足的玻璃立面與巨大的時鐘，象徵著跨越城市與國界的交通樞紐。旅人從這裡出發，選擇不同的路線，最終都能抵達目的地。這就像 LangChain 與 LangGraph —— 一者提供積木般的模組，另一者規劃清晰的流程，讓我們能自由組合、靈活轉換，開啟屬於自己的 AI 工程旅程。（攝影：作者自攝）