LangChain

LangChain 是大模型应用与智能体开发中使用面相当广的开源框架，官网 langchain.com。如今它是一套全家桶：LangChain 负责编排与模型集成，LangGraph 用状态机管理智能体与多智能体协作，LangSmith 承担链路观测、调试与效果评估，LangGraph Platform 把编排好的应用托管上线。开源核心加商业平台的组合，让它同时活跃在个人原型与企业生产环境里。

它属于 AI智能体 分类——与可视化搭建平台 Coze、Dify 不同，LangChain 的主战场在代码层：开发者用 Python 或 JavaScript 写编排逻辑，框架把模型调用、记忆、工具与检索这些通用环节抽象成可复用组件，更换底层模型时业务代码几乎不用动。LangGraph 把流程显式建模成图，节点、边与状态都能回查，这是它承担复杂多智能体系统的底气。

生态方面，它预置了数百种集成：主流大模型、向量数据库、文档加载器与第三方 API 都能即插即用，社区教程与示例库的体量在同类框架里相当突出。对工程团队来说，多数常见需求都有现成轮子，不必从零封装。

• 大陆网络：官网与服务均部署在境外，访问需自备国际网络
• 界面与官方文档以英文为主，中文资料多为社区翻译
• 邮箱或 GitHub 账号即可注册，开发者上手无额外门槛
• 开源框架免费使用，LangSmith 与 Platform 按量计费

• LangChain 编排：链式调用与模型集成
• LangGraph：状态机式多智能体编排
• LangSmith：链路观测与效果评估
• LangGraph Platform：托管部署上线
• 数百种集成：模型、向量库与工具
• 开源核心：Python 与 JavaScript SDK

1. 搭建环境：用 pip 或 npm 安装对应 SDK，配好一个模型服务的 API Key，官方快速上手示例几十行就能跑通。
2. 写第一条链：从提示词模板加模型调用起步，把输入输出格式固定下来，先熟悉编排的写法。
3. 挂工具与检索：给智能体接上搜索、数据库或向量库，让它在对话中调用外部能力，形成带出处的回答。
4. 迁移到 LangGraph：流程变复杂后改用 LangGraph 建图，定义节点、状态与条件跳转，多智能体协作也在这一层完成。
5. 观测与上线：接入 LangSmith 查看每次调用的链路与耗时，评估输出质量；稳定后用 LangGraph Platform 托管，或自行部署开源版。

推荐的路径是先跑通一条简短链路再上 LangGraph，不要一上来就画复杂状态机；LangSmith 建议尽早接入，调试智能体的时间往往花在读链路上，越早记录越省事。

优点

• 全家桶形态，从原型到部署一条线打通
• LangGraph 状态机让复杂流程可回溯
• 集成面广，换模型换库迁移成本低
• 社区与文档体量大，踩坑资料好找

局限

• 学习曲线偏陡，抽象层多上手要时间
• 境外服务与文档，访问需国际网络
• 版本迭代快，升级偶有破坏性改动
• 商业平台按量计费，规模化要控成本

• 场景一：知识库问答：把公司文档切分入库，检索片段拼进提示词，一个带引用出处的内部问答机器人半天就能出原型。
• 场景二：多智能体分工：用 LangGraph 定义「研究员—写手—审校」三个节点，状态在节点间流转，产出一份经过交叉核查的报告。
• 场景三：工单自动分流：智能体先读工单内容做分类，简单问题直接回复，复杂问题转人工并附上处理摘要。

这些场景的共性是「流程有分支、状态要留存」：纯靠提示词写不稳的逻辑，交给图编排之后，可控性与可回溯性都有明显改善。

五者的分野在「代码深度」：LangChain 与 AutoGen、CrewAI 都面向开发者，前者的全家桶覆盖面更宽；Dify 与 n8n 把门槛压到可视化操作，代价是编排自由度收窄。团队有工程师且流程复杂时，LangChain 的投入产出比更划算。

开源框架免费；LangSmith 与 LangGraph Platform 按量计费，价格以官网当期页面为准

价格与档位可能随时调整，以上信息以官网为准。

• 智能体原型：快速串联模型与工具
• 多智能体协作：LangGraph 编排状态流转
• 知识库问答：接向量库做检索问答
• 上线运维：LangSmith 追踪调用与评估
• 团队部署：Platform 托管或自托管

以下工具与 LangChain 在场景上有交集或重叠，可一并比较：