目录
一、LangChain生态发展历程
二、LangChain是什么
2.1 LangChain的定位
2.2 LangChain提供了什么
2.3 LangChain的问题
三、LangChain-Core是什么
3.1 LangChain-Core的定位
3.2 LangChain-Core包含什么
3.3 为什么要拆出Core
四、LangGraph是什么
4.1 LangGraph的诞生背景
4.2 LangGraph的定位
4.3 LangGraph核心思想
4.4 LangGraph适合什么场景
五、LangSmith是什么
5.1 LangSmith的定位
5.2 LangSmith解决什么问题
5.3 LangSmith工作流程
六、四者之间的关系
随着大语言模型（LLM）的快速发展，越来越多的开发者开始使用 LangChain 生态来构建 AI 应用。
但很多初学者在学习过程中都会遇到这样的困惑：
LangChain 是什么？
LangChain-Core 又是什么？
LangGraph 和 LangChain 有什么关系？
LangSmith 是不是一个监控平台？
这几个项目到底应该先学哪个？
尤其是在 LangChain 1.0 之后，整个生态发生了较大变化，官方开始将框架拆分为多个独立模块：
LangChain
LangChain-Core
LangGraph
LangSmith
对于初学者来说，很容易被这些名称搞混。
本文将从架构设计、职责定位、使用场景以及实际开发角度，彻底讲清楚它们之间的区别与关系。
一、LangChain生态发展历程
在最初版本中，LangChain是一个庞大的单体框架。
整体结构类似：
随着项目不断发展：
功能越来越多
依赖越来越重
维护成本越来越高
因此官方开始进行模块化拆分。
逐渐演变为：
形成如今的生态体系。
二、LangChain是什么
2.1 LangChain的定位
LangChain 是一个用于构建 LLM 应用的开发框架。
官方目标：帮助开发者快速构建大模型应用。
也就是说，langchain是给程序员使用的，可以实现智能体的一套开发框架。
例如：
聊天机器人
知识库问答
Agent系统
自动化工作流
AI助手
这些都可以通过langchain，去写代码来实现。
2.2 LangChain提供了什么
LangChain主要提供：
Prompt模板
模型调用
输出解析
工具调用
Agent
RAG能力
Chain链式调用
例如：
from langchain_openai import ChatOpenAI
llm = ChatOpenAI()
response = llm.invoke("你好")
开发者无需关心底层的API细节。
2.3 LangChain的问题
随着功能越来越多：
模块耦合严重
安装包体积变大
升级困难
扩展能力受限
因此官方进行了架构重构。
这就是LangChain-Core出现的原因。
三、LangChain-Core是什么
3.1 LangChain-Core的定位
LangChain-Core 是整个 LangChain 生态的核心基础库。
可以理解为它是LangChain的底座。
它负责定义：
统一接口
统一协议
统一抽象
3.2 LangChain-Core包含什么
主要包含：
Runnable
PromptTemplate
Message
OutputParser
Callback
例如：
from langchain_core.prompts import PromptTemplate
或者：
from langchain_core.runnables import RunnableLambda
这些组件都属于 Core。
3.3 为什么要拆出Core
原因非常简单：
以前：
Prompt
Agent
Memory
Tool
模型
全部混在一起。
现在：
Core负责抽象 LangChain负责实现
四、LangGraph是什么
4.1 LangGraph的诞生背景
传统LangChain Agent存在一个问题：执行流程不可控。
例如：
思考
调用工具
再次思考
再次调用工具
整个过程依赖模型决定。
开发者很难控制。
因此官方推出LangGraph。
4.2 LangGraph的定位
LangGraph 是一个状态机工作流框架。
专门用于构建：
Agent
多Agent
复杂工作流
4.3 LangGraph核心思想
将Agent流程转换为：
节点(Node)
边(Edge)
状态(State)
例如：
整个执行路径完全可控。
4.4 LangGraph适合什么场景
适合：
复杂Agent
多步骤决策
审批流
工作流系统
多智能体系统
例如：
客服Agent
销售Agent
分析Agent
管理Agent
共同协作。
五、LangSmith是什么
5.1 LangSmith的定位
LangSmith 是 LangChain 官方推出的LLM应用观测平台。类似于APM监控平台。
用于监控：
Prompt
模型调用
Agent执行
Token消耗
错误日志
5.2 LangSmith解决什么问题
假设你的Agent：
回答错误
执行异常
工具调用失败
如何排查？
普通日志很难定位。
LangSmith可以完整记录：
Prompt内容
模型响应
调用链路
执行时间
5.3 LangSmith工作流程
六、四者之间的关系
-
Core负责定义规则
-
LangChain负责实现能力
-
LangGraph负责编排流程
-
LangSmith负责监控分析
架构关系如下：
掌握这套体系之后，你就能够开发：
RAG知识库
智能客服
AI工作流
单Agent系统
多Agent系统
企业级AI应用
为后续深入学习 AI Agent 开发和构建生产级大模型应用打下坚实基础。
