AI
Tools that earn their place.

LangGraph 解决的是 LangChain 不擅长的那类问题：需要循环、分支、持久化状态、人工审批的长时运行 Agent。LangChain 的 createAgent 底层就跑在 LangGraph 上，但当你想自己掌控控制流时，需要直接使用 LangGraph 的图 API。

• 适用场景：多步骤 Agent、人在回路、故障恢复、多智能体编排
• 技术栈：@langchain/langgraph（TypeScript 端），Node.js 22+
• 目标：工作流可控制、可恢复、可观测、可生产

本文整理一 LangChain 学习路径：从生态定位与核心概念起步，逐层深入 LCEL 管道、Agent 与中间件、RAG 检索增强，最后给出生产化要点、版本迁移与上线检查清单。所有代码片段使用 Node.js + TypeScript。

• 适用场景：LLM 应用原型、RAG 系统、Agent 工作流、Node 后端 AI 集成
• 技术栈：LangChain 1.x（JavaScript/TypeScript 端），需 Node.js 22+
• 目标：应用能跑、能控、能观测、能生产