随着大模型（LLM）进入工程化落地阶段，“如何把模型变成真正可用的应用” 成了很多从业者绕不开的问题。
围绕这个目标，社区里逐渐形成了一批成熟的开源框架，其中被讨论最多的就是 LangChain、LangFlow、LangGraph。

它们名字相似，但解决的问题并不相同。本文笔者将基于官方文档与开源实践，从定位、能力、使用场景和差异几个角度，帮你一次性理清。

01 | LangChain：LLM 应用的“基础设施层”

① LangChain 是什么？

LangChain 是一个用于构建 LLM 应用的通用框架，核心目标只有一句话：

把「大模型 + 外部工具 + 数据源 + Prompt」系统化地组织起来。

它并不是一个“产品”，而是一套 开发范式和组件库。

② LangChain 解决什么问题？

在没有 LangChain 之前，开发者通常需要自己处理：

• Prompt 拼接
• 模型调用
• 上下文管理
• 工具调用（SQL、搜索、API）
• RAG（检索增强生成）

LangChain 把这些抽象成了标准组件，例如：

• LLM / ChatModel
• PromptTemplate
• Chain
• Tool / Agent
• Memory

③ 典型应用场景

• RAG 问答系统
• NL2SQL
• AI 助手 / Copilot
• 工具型 Agent

一句话总结：
LangChain = 写 LLM 应用的“后端开发框架”

02 | LangFlow：LangChain 的可视化“低代码入口”

① LangFlow 是什么？

LangFlow 是一个 基于 LangChain 的可视化编排工具。

你可以理解为：

用“拖拽流程图”的方式来搭 LangChain 应用。

它本质上是：

• 前端可视化
• 后端仍然运行 LangChain 逻辑

② LangFlow 的核心价值

LangFlow 并没有引入新的模型能力，它的优势在于：

• 降低学习门槛
• 快速原型验证
• Prompt / Chain 可视化调试

对不熟悉 Python 或刚接触 LLM 的人非常友好。

③ 典型应用场景

• 产品经理 / 咨询顾问做 Demo
• Prompt 调优与流程验证
• 教学与分享演示
• 小型 PoC 项目

一句话总结：
LangFlow = LangChain 的“可视化操作台”

03 | LangGraph：为复杂 Agent 而生的“状态机框架”

① LangGraph 是什么？

LangGraph 是 LangChain 官方推出的一个新框架，专门解决一个问题：

当 Agent 逻辑变复杂，Chain 已经不够用了，怎么办？

LangGraph 引入的是：

• Graph（图）
• State（状态）
• 节点 + 边 + 循环

本质上是：
把 LLM Agent 当成一个“有状态的工作流/状态机”来建模。

② LangGraph 为什么出现？

在真实项目中，Agent 往往需要：

• 多轮决策
• 条件分支
• 回退 / 重试
• 人工介入（Human-in-the-loop）

这些用传统 Chain 非常别扭，而 LangGraph 天然支持：

• 循环
• 分支
• 并行
• 可恢复执行

③ 典型应用场景

• 多 Agent 协作系统
• 复杂业务流程自动化
• 长任务 AI 助手
• 需要“可控行为”的智能体

一句话总结：
LangGraph = 面向复杂 Agent 的“流程与状态控制层”

04 | 三者核心差异一图读懂

05 | 应该如何选择？

笔者给你一个不踩坑的选择建议：

• 想系统做 LLM 应用 → 先学 LangChain
• 想快速出 Demo / 学概念 → 用 LangFlow
• Agent 逻辑开始变复杂 → 上 LangGraph

现实项目中，三者是可以组合使用的：

LangFlow 画流程 → LangChain 落代码 → LangGraph 控复杂控制

06 | 写在最后

LangChain 生态的演进，本质上反映了一件事：

LLM 应用，正在从“Prompt 工程”，走向真正的软件工程。

理解这三者的边界，比死记 API 更重要。
如果你正在做 RAG、NL2SQL、AI Agent，这套认知几乎是绕不开的基础。

希望这篇文章，能帮你少走一些弯路。