LangChain 和 LangGraph 都是旨在促進 AI 代理程式開發的框架，但它們在 AI 應用開發領域滿足不同的需求和方法。
就框架類型與設計理念而言，LangChain 是一個靈活的模組化框架，主要專注於將大型語言模型 (LLM) 整合到複雜的工作流程中，允許開發人員透過按順序連結各種組件和功能來創建複雜的應用程式，這使其特別適合需要高級推理以及與多個資料來源或 API 互動的應用程式。
LangGraph 是 LangChain 的一個視覺化低程式碼擴展，它強調使用者友善的拖放式介面，用於設計代理程式工作流程，它構建於 LangChain 之上，專為那些喜歡更直觀地建立工作流程而無需大量編碼的用戶而設計。
LangGraph 允許編排簡單和複雜的工作流程，使其易於非技術用戶使用，同時仍可利用 LangChain 強大的後端功能。
就易用性和學習曲線而言：LangChain 通常需要更多的配置和編碼知識，因此更適合熟悉程式設計並希望建立高度客製化解決方案的開發人員，它非常適合那些希望實現複雜、可擴展的 AI 應用的用戶。
LangGraph 透過其更直觀的視覺化介面簡化了開發流程，但是，對於一些進階功能，可能需要對物件導向程式設計概念有一定的了解；因此，對於那些希望快速建立原型或管理工作流程但缺乏深厚技術專長的使用者來說，LangGraph 是更好的選擇。
就狀態管理和工作流程複雜性而言，LangChain 基於線性工作流程模型運行，其中任務按定義的順序執行。雖然它可以處理複雜的任務，但它本身無法在多次運行中維護持久狀態，這可能會限制其在需要持續互動的應用程式中的有效性。
LangGraph 引入了一種基於圖的架構，可以實現更複雜、有狀態的工作流程，LangGraph 中的每個操作都可以表示為圖中的節點，從而實現動態互動並能夠隨時間維護上下文，這使其特別適合虛擬助理等需要管理持續對話並適應使用者輸入的應用。
用例方面，LangChain 非常適合涉及順序任務的應用，例如資料檢索、處理和輸出生成。例如聊天機器人、內容生成和資料提取系統。LangGraph 在需要持續互動和適應的場景中表現出色，例如任務管理系統或複雜的業務流程自動化，能夠整合人工監督和即時更新，從而增強了其在生產環境中的實用性。
LangChain 和 LangGraph 之間的選擇很大程度取決於您專案的特定需求。如果您需要一個高度可自訂的框架來建立複雜的 AI 應用，LangChain 是更好的選擇。相反，如果您喜歡更易於存取、視覺化的工作流程設計方法，LangGraph 提供了一個用戶友好的解決方案，同時仍利用了 LangChain 的強大功能。這兩個框架相輔相成，讓開發人員從 LangChain 開始，並隨著需求的演變過渡到LangGraph。
