02 LangChain-LangGraph 核心概念与运行逻辑

LangChain/LangGraph 核心概念与运行逻辑

关联：索引

AI 工具使用：概念与关系理解提示词模板（学生可直接复制）

模板目录（投影时建议只展开当前要用的 1 个模板）：

模板 1：概念对比
模板 2：关系图（Mermaid）
模板 3：场景映射表
模板 4：运行逻辑复述
模板 5：错题纠偏
模板 6：自测题生成

模板 1：概念对比（快速区分 Model / Prompt / Chain / Tool / Agent）

你是智能体开发课程助教。请用“对比表 + 最简例子 + 常见误区”解释以下概念：
Model、Prompt、Chain、Tool、Agent。

要求：
1）先给一张对比表：定义（1句）、输入、输出、主要职责、在分拣场景中的例子（1条）。
2）再给一个“最小可运行思维例子”（不写代码），用一句话串起来：Prompt → Model → Tool → 输出。
3）最后列出每个概念最容易混淆的1个误区，并纠正。

我的课堂笔记/疑问：{你的内容}

模板 2：关系图（把概念之间的调用关系画出来）

请把以下内容中的概念关系整理成两种表示：
A）用要点列表描述“谁调用谁/谁依赖谁”；
B）输出一段 Mermaid 的流程图（flowchart），包含 Model、Prompt、Chain、Tool、Agent，并标注箭头含义（如：构造输入/调用/返回结果）。

注意：关系必须符合工程语义，不要画成“都连在一起”的网状图。
内容：{你的内容}

模板 3：场景映射（把分拣需求映射到框架概念）

我在做“绿色食品智能分拣”场景。请把以下需求拆成“框架概念映射表”：
列：场景子任务、需要的输入字段、Prompt 约束（输出格式/禁止项/缺信息追问）、Model 负责什么、Tool 列表（查询类/执行类/记录类）、推荐形态（Chain or Agent or LangGraph）、预期输出。

需求：{你的分拣场景需求描述}

模板 4：运行逻辑复述（训练“从输入到输出”的工程化表达）

请用“第一人称工程叙述”的方式，复述一次从输入到输出的完整流程，分别给出：
1）LangChain 的线性数据流（6步以内）；
2）LangGraph 的状态图逻辑（包含 State、Node、Edge，6步以内）；
3）各自更适合什么样的业务特征（3条判断标准）。

我的理解草稿：{你的内容}

模板 5：错题纠偏（纠正概念误解）

下面是我对概念的理解，可能有错。请你逐条判断“对/不对”，并给出：
1）错误原因（1-2句）
2）正确表述（1句）
3）用分拣场景举一个反例或正例（1句）

我的表述：{你的内容}

模板 6：自测题生成（用于课后复习）

请基于以下笔记要点，为我生成一份自测题：
1）选择题 5 道（每题4个选项），考“概念区分/关系/选型”，给出答案与解释；
2）简答题 2 道：要求用分拣场景说明 Prompt/Tool/流程形态；
3）附一份“评分要点”（每题 3-5 条）。

笔记要点：{你的内容}

作业：布置（见文末）

1. 为什么需要 LangChain/LangGraph（从工程问题出发）

大模型调用不是难点，难点在于：提示词复用、流程编排、外部系统调用、可观测性、可维护性。
需求会不断变化：模型会换、工具会增、流程会迭代，需要“可插拔”的框架结构。

2. LangChain 与 LangGraph 的定位（生态视角）

LangChain：面向“大模型应用开发”的通用框架，提供统一接口与组件拼装能力（提示词、模型、检索、工具等）。
LangGraph：面向“智能体流程编排”的图式引擎，把流程表达为“节点 + 状态 + 边”，擅长有状态与可循环的复杂智能体逻辑。
常见组合：LangGraph 负责流程编排与可控执行，LangChain 提供 Model/Prompt/Tool 等可复用组件；两者不是二选一关系。

1. Model（模型）

定义：执行自然语言理解/生成/推理的核心计算单元（例如对话模型、文本模型）。
功能：接收输入（通常是消息/文本），输出结果（文本/结构化内容）。
与其他概念关系：Prompt 为 Model 组织输入；Chain/Agent 调度 Model；Tool 为 Model/Agent 提供“动手能力”。

分拣场景示例：

输入：传送带传感器描述 + 订单规则 + 异常提示
输出：分拣去向（A/B/C 口）、理由、置信度或风险提示

AI 示例（用“模板 1：概念对比”理解 Model 的职责边界）：

先复制并使用“模板 1”，再把下面这段粘贴到 {你的内容}：

我的课堂笔记/疑问：我理解 Model 就是“负责推理和生成”的大语言模型本体，它接收 Prompt 组织好的输入，输出文本或结构化结果。分拣场景里，Model 可以根据“品类/等级/订单优先级/异常标记”做分拣口判断，但它不能直接去查数据库或控制设备，这些需要 Tool 完成。

2. Prompt（提示词）

定义：对模型输入的结构化组织方式，包括指令、约束、上下文与示例。
功能：把任务“说清楚”，把输出“格式化”，把风险“约束住”。
与其他概念关系：Prompt 是 Model 的“题目”；Chain/Agent 会复用或动态拼接 Prompt。
补充：Prompt 通常由 system/user 等消息构成，也可包含示例（few-shot）与输出格式要求。
注意：Prompt 不能保证模型一定按格式输出，工程上需配合解析/校验，并防范提示词注入等风险。

分拣场景示例：

指令：根据品类、等级、产地与订单优先级输出分拣口
约束：只能输出 JSON；不允许输出无关解释；缺信息要追问

AI 示例（用“模板 5：错题纠偏”纠正 Prompt 的常见误解）：

先复制并使用“模板 5”，再把下面这段粘贴到 {你的内容}，让模型逐条判定并纠错：

1）Prompt 就是一句话的问题，越短越好。
2）Prompt 只负责“提问”，不需要规定输出格式。
3）Prompt 写好后就不需要改了，换模型也不用变。
4）在分拣场景里，只要问“分到哪个口”就够了，不用加约束条件。

3. Chain（链）

定义：把多个步骤串成一个固定流程的组合单元（输入 → 处理 → 输出），通常是线性的、可复用的。
功能：把“提示词模板 + 模型调用 + 后处理”封装成稳定能力。
与其他概念关系：Chain 是可复用模块；Agent 可以调用多个 Chain；LangGraph 可以把 Chain 作为节点的一部分。
补充：在 LangChain 中，Chain 往往由可组合的 Runnable/LCEL 串联而成（例如 Prompt → Model → Parser）。

分拣场景示例：

“分拣决策链”：规则读取 → 模型判断 → 输出结构化指令 → 校验指令格式

AI 示例（用“模板 2：关系图”把 Chain 放回整体关系中）：

先复制并使用“模板 2”，再把下面这段粘贴到 {你的内容}，让模型输出要点关系 + Mermaid 流程图：

我理解 Chain 是一个固定的线性流程封装：把 Prompt 组织输入，然后调用 Model 得到输出，再做解析/校验，必要时调用 Tool。Chain 本身不负责自主规划；它更像“可复用的标准作业流程”。Agent 可以把多个 Chain 当作技能包调用；在 LangGraph 里，Chain 也可以作为某个节点的一部分。

4. Tool（工具）

定义：面向外部系统能力的可调用函数/接口（数据库、Web API、设备控制、知识库检索等）。
功能：让智能体不仅“会说”，还能“会查”“会做”“会记录”。
与其他概念关系：Tool 被 Agent 选择并调用；Chain/Graph 的节点也可以直接调用 Tool。
补充：Tool 通常具备明确的入参/出参；既可以由代码在固定流程中直接调用，也可以由 Agent 结合模型的“工具调用”能力选择调用。
注意：Tool 可能产生副作用（写库、下发指令、改状态），需要权限控制、参数校验与可追踪日志。

分拣场景示例：

查询：查订单信息、查品类规则、查黑名单供应商
执行：下发分拣口控制指令、记录分拣日志、触发人工复核

AI 示例（用“模板 3：场景映射”列出 Tool 清单）：

先复制并使用“模板 3”，再把下面这段粘贴到 {你的分拣场景需求描述}，让模型产出“Tool 列表（查询/执行/记录）”：

分拣系统需要实现：当传感器识别到某批次为“异常批次”或“等级不达标”时，自动把它分到人工复核口；并且需要把本次判断的依据写入日志；同时需要查询当天订单优先级规则与黑名单供应商列表作为判断依据。

5. Agent（智能体）

定义：具备“根据目标自主选择步骤/工具”的决策式执行单元，通常包含规划、调用工具、迭代修正等能力。
功能：处理不确定、需要多步骤决策的任务；在信息不全时能追问或补充信息。
与其他概念关系：Agent 会调用 Model 推理、调用 Tool 行动；可把 Chain 当作技能包；LangGraph 常用于实现 Agent 的可控流程。
注意：Agent 不是“完全自动的万能助手”，它依赖设计好的目标、工具集与约束；工业场景通常需要可控流程、审计与人工兜底。
补充：LangGraph 常用于把 Agent 的决策与工具调用过程显式化，便于条件分支、重试、回退与异常处理。

分拣场景示例：

目标：将异常批次优先分拣到人工复核口，并输出原因与建议处置
行为：查询规则 → 判断风险 → 下发分拣口 → 记录异常 → 通知管理员

AI 示例（用“模板 4：运行逻辑复述”对比 Chain 与 Agent）：

先复制并使用“模板 4”，再把下面这段粘贴到 {你的内容}，让模型用“第一人称工程叙述”复述流程，并解释何时更像 Chain、何时必须用 Agent/LangGraph：

分拣场景里，如果信息齐全、规则明确，流程可以固定为：填充 Prompt → 调用 Model → 解析输出 → 校验 → 下发指令 → 写日志，这更像 Chain。若出现信息缺失（例如订单优先级未知、规则冲突、供应商风险待查），系统需要先调用 Tool 补充信息，再由 Model 重新判断，甚至触发人工复核，这更像 Agent，并且更适合用 LangGraph 表达带分支与回路的流程。

快速回顾（举手回答）：Prompt 和 Model 的关系是什么？Tool 在分拣场景里能做哪些事？

1. LangChain 典型运行逻辑（线性数据流）

用“输入数据如何变成输出结果”来理解框架，而不是背 API 名称。

输入问题/任务（用户需求、设备事件、订单数据）
选择/构建 Prompt（模板填充、加入上下文与约束）
调用 Model 得到输出（文本或结构化结果）
结果解析与校验（提取字段、格式检查、容错处理）
触发 Tool（可选）：可在固定流程中直接调用，也可由 Agent 决策后调用
输出到用户或业务系统（分拣指令、解释、日志记录）

AI 示例（用“模板 4：运行逻辑复述”把 6 步流程讲清楚）：

先复制并使用“模板 4”，再把下面这段粘贴到 {你的内容}，让模型用“第一人称工程叙述”复述并补齐关键细节：

请以“绿色食品智能分拣”为例，复述 LangChain 的线性数据流：输入（订单/传感器/异常）→ Prompt 组织（约束输出 JSON、缺信息追问）→ Model 推理（给出分拣口与理由）→ 解析校验（字段齐全、格式正确）→ Tool 执行（下发分拣指令、写日志）→ 输出结果（分拣口 + 追踪信息）。

2. LangGraph 典型运行逻辑（状态驱动 + 可控流程）

用“状态 + 节点 + 边”理解：状态像内存，节点像步骤，边像规则。

定义 State（需要在流程中传递/更新的数据）
把任务拆成节点（理解、查询、决策、执行、校验、异常处理）
用边连接节点（固定流程、条件分支或事件触发）
在每个节点内：调用 Model/Prompt/Tool 更新 State
支持循环与回退（如信息不足 → 调用工具补充 → 再决策；或转人工复核）
在终止节点输出最终结果（分拣指令 + 记录）

AI 示例（用“模板 2：关系图”把 LangGraph 画成节点与状态）：

先复制并使用“模板 2”，再把下面这段粘贴到 {你的内容}，让模型输出 Mermaid flowchart（建议包含分支与回路）：

请把“绿色食品智能分拣”的 LangGraph 流程表示为：State（order_info、sensor_info、rules、decision、action_result、logs）；
Node（parse_input、fetch_rules_tool、decide_by_model、validate_output、dispatch_action_tool、write_log_tool、human_review）；
Edge：parse_input→fetch_rules_tool→decide_by_model→validate_output→dispatch_action_tool→write_log_tool→END；
并加入条件分支：validate_output 发现信息缺失/规则冲突时 → human_review 或 回到 fetch_rules_tool 重新查询后再决策。

阶段	输入	处理方式（概念对应）	输出
理解需求	订单/传感器/异常信息	Prompt 组织输入，Model 推理	任务意图与关键字段
补充信息	缺失字段/规则未知	Tool 查询规则/订单	补全后的上下文
做出决策	规则 + 当前信息	Chain 线性决策或 Agent 多步决策	分拣口 + 理由
执行动作	分拣口/设备状态	Tool 下发控制指令，记录日志	执行结果与追踪信息

维度	LangChain	LangGraph
核心抽象	组件拼装、链式调用	图式编排、状态流转
强项	快速搭应用、组件丰富、易上手	复杂流程、循环/分支、可控性强
典型形态	Prompt + Model + Chain + Tool	State + Node + Edge（可嵌套 Chain/Tool/Model）
更像什么	“搭积木做功能”	“画流程图做系统”
适用场景	线性流程、RAG、接口服务	工业级智能体、复杂业务编排、异常与回路多

任务是否线性：如果步骤固定、无需回路，优先 LangChain 的链式组合。
是否需要可控的状态与分支：如果存在“条件分流、重试、回退、追问”，优先 LangGraph。
是否需要更强的工程可维护性：业务会频繁变更且流程复杂，采用图式表达更利于协作与测试。
先小后大：先用最小可行流程跑通，再逐步引入更复杂的编排与工具系统。

1. 小组任务要求（产出物）

写出一个分拣场景问题（例如：异常批次、优先级冲突、规则不清晰）。
给出 Prompt 设计要点（输入字段、约束、输出格式）。
列出至少 2 个 Tool（查询与执行各 1 个）。
给出流程草图：用 Chain（线性）或 Graph（节点/状态）表达执行顺序。

展示 1 个组的“Chain 方案”和 1 个组的“Graph 方案”，对比可控性与扩展性。
点评标准：概念使用是否准确、流程是否闭环、是否考虑异常与记录。

工业互联网视角：大语言模型与智能体技术正在进入制造、物流、品控、供应链等环节，关键价值在于“提升决策效率 + 降低人工负担 + 可追溯可治理”。
乡村产业数字化视角：地方绿色食品产业在分拣、溯源、质检与仓储上有大量流程型工作，智能体能与信息系统结合，推动规范化与精细化管理。
结合分拣系统需求：用“规则可解释 + 指令可追踪 + 异常可复核”的工程标准去设计智能体，让技术真正服务地方产业高质量发展。

作业（课后完成）

整理 LangChain/LangGraph 核心概念笔记（Model、Prompt、Chain、Agent、Tool），标注各概念的定义、功能及关联关系。
结合智能分拣场景或小组项目，撰写 200 字左右分析，说明框架核心概念在智能体开发中的具体应用思路（至少包含：Prompt 约束、Model 输出、Tool 调用与流程形态）。
截止时间：2026年3月15日18点前提交到博思平台，格式学号_姓名_智能体应用思路分析.pdf