1. 概述
通过上一章的学习，我们知道，优秀的 AI Agent 需要一个强大的内存调度架构。而 langChain 和 langGraph 则为此提供了具体的抽象能力，是构建 AI 伴侣 Agent 的得力助手
当然，langChain/langGraph* 并非构建 Agent 的必备项，当我们的 Agent 比较简单时，我们可以自己轻松处理任务节点的编排，之所以选择 langChain/langGraph 是因为我们预设了我们的 Agent 在未来要面对复杂的编排和复杂的调度逻辑*
假设用户向 AI 伴侣发送了一句话：
你还记得我最喜欢什么蛋糕吗？
系统要给出自然且可信的回答，通常需要完成几项工作：理解用户正在询问过去的偏好，查询长期记忆，把检索结果和最近对话整理成上下文，调用模型生成回复，并把这一轮产生的新状态保存下来。
我们可以从需求的发展历程来理解 LangChain 和 LangGraph 的定位
刚开始开发时，需求非常简单，这些步骤可以 仅仅写在一个请求函数里
但是，当越来越多类似的需求出现时，我们可能就会考虑将这些步骤进行抽象，并形成一个一个可复用的功能模块，并在此基础之上快速组装出新的 Agent，我们需要统一接入模型、定义工具，组织功能节点之间的先后执行顺序，这个时候，我们就可以用到 langChain
继续发展下去，系统还会出现条件路由、跨请求状态、节点中断和恢复执行等需求。这时问题已经从 怎样组合能力 变成 怎样控制流程 ，LangGraph 则为这种显式调度提供了具体实现
2. 链式调用
链式调用是 langChain 提供的一种非常基础的能力，它允许我们通过 pipe() 方法将多个 Runnable 连接在一起，形成一个链式调用。
chain.ts
import { StringOutputParser } from '@langchain/core/output_parsers'
import { createDemoChatModel } from '../_shared/create-demo-chat-model'
import { companionPrompt } from './prompt'
interface RunCompanionChainOptions {
question: string
settings: any
abortSignal: AbortSignal
}
export async function runCompanionChain({ question, settings, abortSignal }: RunCompanionChainOptions) {
const model = await createDemoChatModel(settings)
const parser = new StringOutputParser()
// !mark
const chain = companionPrompt.pipe(model).pipe(parser)
const content = await chain.invoke(
{ question }, // 为用户的输入，由 UI 组件传入
{ signal: abortSignal },
)
return { content, model: settings.modelId }
}
prompt.ts
import { ChatPromptTemplate } from '@langchain/core/prompts'
export const companionPrompt = ChatPromptTemplate.fromMessages([
['system', '你是一名温和、自然的陪伴型助手。'],
['human', '{question}'],
])
pipe() 连接的是三个节点。前一个节点的输出会成为后一个节点的输入，因此调用方只需要向整条链提供初始参数。
这里所说的固定，指的是执行节点流程的固定，而不是模型每次都会返回完全相同的文字。无论用户输入什么，数据都会按照 Prompt → Model → Parser 的顺序向后流动；链本身不会临时决定跳过 Parser，也不会自行插入一个工具节点
这种结构适合 Prompt 格式化、文本改写、摘要、分类和结构化解析等步骤明确的任务。链也可以携带历史消息和使用流式输出，但这些能力不会改变它的固定执行关系。
下面的案例把最近对话放入 MessagesPlaceholder，再通过 prompt.pipe(model).pipe(parser) 生成回复。你可以通过这个案例观察链式节点的固定调用
连续发送两条消息可以观察历史如何进入下一轮；模型选择器右侧的重置按钮可以清空这个案例的对话历史
3、createAgent
当我们无法预先固定执行节点流程时，单向链式调用就无法满足需求了。比如，当用户的输入是：
你还记得我最喜欢什么蛋糕吗？
我们需要去查询历史记忆，并根据查询到的结果生成回复。但是如果用户输入的是：
睡前给我一句简短的晚安问候。
那我们在实现上，就不应该去查询历史记忆，而是应该直接生成回复
在 langChain 中，我们可以通过 createAgent() 来决定是否调用工具。如下案例所示，观察 2 次不同的输入，节点执行的流程是否相同
agent.ts
import { createAgent } from 'langchain'
import { searchMemory } from './search-memory-tool'
const agent = createAgent({
model: 'deepseek-v4-flash',
tools: [searchMemory],
systemPrompt: `你是一名陪伴型助手。
当用户询问过去的偏好或共同经历时，先调用记忆工具核实，不要猜测。`,
})
const result = await agent.invoke({
messages: [{
role: 'user',
content: '你还记得我最喜欢什么蛋糕吗？',
}],
})
search-memory-tool.ts
import { tool } from 'langchain'
import { z } from 'zod'
export const searchMemory = tool(
async ({ query }) => {
if (query.includes('蛋糕')) {
return '用户最喜欢巧克力榛子蛋糕，不喜欢草莓奶油。'
}
return '没有找到相关记忆。'
},
{
name: 'search_memory',
description: '查询与当前用户有关的长期记忆',
schema: z.object({
query: z.string().describe('需要检索的记忆主题'),
}),
},
)
tool() 把普通函数转换成模型能够理解的工具。名称和描述帮助模型判断工具用途，Zod Schema 则约束调用参数。
这段循环是 createAgent() 的行为，不是所有 langChain 程序的默认形态。langChain* 的 createAgent() 底层使用 langGraph 的运行时，但开发标准工具型 Agent 时，通常只需要使用 langChain 提供的高层 API。只有当业务需要显式控制节点、条件分支、中断和恢复时，才需要直接进入 langGraph*。
4. LangGraph
注意观察上面的代码，你会发现，是否调用 searchMemory 工具，是由模型通过提示词来决定的，而不是基于我们的代码逻辑决定的
但是更多时候，我们做的 Agent 产品要求某些步骤和分支必须由业务规则控制，那这个时候，就需要把处理过程显式建模出来，这就是 langGraph 的用武之地了。
angGraph 使用三个核心概念描述这类流程：
State是当前工作流的数据快照，节点通过它交换消息和业务状态Node是执行单元，可以调用模型、数据库、工具或普通业务函数Edge描述节点之间的流转关系，可以是固定连接，也可以根据 State 动态选择分支
利用 langGraph，我们可以对流程进行更精细的控制，例如随时可以中断正在执行的节点，中断之后，还可以从当前中断的节点继续执行，而不是从头开始重新执行
下面这个案例是一个可以被中断的案例，当用户输入
你还记得我最喜欢什么蛋糕吗？
执行流程我们拆成四个明确节点：安全检测、意图识别、长期记忆查询和回复。长期记忆工具由 langChain tool() 定义，当前返回一条写死的模拟记忆；langGraph 负责节点顺序、条件路由和 checkpoint
案例默认不会预设固定的中断节点。用户不做额外操作时，工作流会依次执行并自然到达最终回复；执行过程中主动点击输入框最右侧的停止按钮，案例会终止当前 graph run，并从 Checkpointer 读取仍在 next 中的当前节点。时间线把这个节点标记为“执行中断”，
中断之后，当用户输入 继续执行 时，langGraph 会携带前序节点已经写入 State 的安全结果、意图和记忆，从被中断的节点重新执行，而不是创建一张新图
完整案例代码逻辑非常复杂，这里就不再一一展示代码，后续章节会详细介绍 langGraph 的用法
5. 总结
LangChain 和 LangGraph 处在模型应用技术栈的不同层级。LangChain 通过 Runnable 与 LCEL 组合固定的数据处理链，也通过 createAgent() 提供预构建的工具调用循环；LangGraph 提供状态与工作流运行时，让开发者精确控制节点、分支、循环、持久化和恢复过程。
步骤固定的模型管线可以从 Runnable 与 LCEL 开始，标准工具调用可以从 createAgent() 开始。当记忆检索、情绪更新、安全检查或人工确认需要按照明确的业务顺序执行时，再使用 StateGraph 描述完整流程。外层图与节点内 Agent 也可以组合，从而兼顾整体流程的确定性与局部任务的灵活性