从Chain到Graph：LangGraph为何成为AI应用的工程底座

做AI应用的开发范式正在悄然发生转变——从过去熟悉的链式（Chain）结构，逐步转向图（Graph）结构。这并非凭空造出的概念，而是在复杂场景中被一步步「逼」出来的技术演进。本文基于B站UP主的LangGraph系列教程第一章内容，梳理这场架构演进背后的逻辑，以及LangGraph为什么被称为「Agent的操作系统」。

Chain的黄金时代与能力边界

早期做AI应用，几乎用的都是Chain（链式）模式，它确实有过自己的黄金时代。普及之快源于三个核心优势：第一，它是纯线性的流水线，像按菜谱做菜一步接一步，Prompt、模型、解析器串起来即可，执行路径清晰、几乎没有理解成本；第二，组件生态成熟，官方加社区贡献了大量现成组件，工具调用、模型接入、结果解析直接拿来组合；第三，特别适合快速验证想法，语法简单、封装度高，五分钟就能写出一个可运行的Demo。

但Chain的问题不是「不好用」，而是能力边界非常清晰。一旦进入复杂的Agent应用场景，底层局限就绕不开了，主要体现在四个方面：

• 无法回溯：Chain是单向执行的，走完一步到下一步，中间某步错了不能倒回去重走。错误信息会一直污染后面的推理，完全没有自我修正能力。
• 没有原生状态管理：执行时只能把上一步输出传给下一步，复杂上下文和中间变量全靠手动存、手动传，稍不注意就会丢数据。
• 无法动态分支：只能线性顺序往下走，不能根据中间结果动态选择路线。好比开车只有一条直路，前面堵死也不能转弯。
• 缺乏结构化记忆：多轮对话的历史消息要手动拼进Prompt，状态一致性难以保证，很容易出现前后对不上的情况。

图结构的三个核心要素

正是这些Chain天生解决不了的问题，催生出了图结构方案。要理解Graph，先要搞懂三个最核心的构成要素。

节点（Node） 是图里最小的执行单元，可以理解成一个个功能站点。调用一次大模型是一个节点，调用一次工具是一个节点，写个函数做数据处理也可以是一个节点——每个节点负责一件具体的事。

边（Edge） 是节点与节点之间的流转逻辑，像站点之间的连接线路。它可以是简单的直线（A直接到B），也可以是带决策的逻辑（根据当前情况选择路线）。

状态（State） 是整个图结构最核心的东西，相当于一个全图共享的「公共笔记本」。所有节点都能往上面写、从上面读，上下文、中间结果、历史对话全部存在这里，全程同步共享。

一句话概括图结构的核心逻辑：用图代替链，节点承载具体功能，边刻画运行路径，状态沉淀所有信息，由此达成既灵活又能回溯的智能执行框架。

状态（State）在LangGraph中通常以Python的TypedDict或Pydantic模型定义，本质是一个强类型的字典结构。与普通函数间传参不同，State在整个图的生命周期内持续存在，每个节点执行后可以返回对State的局部更新，框架负责将更新合并（merge）回全局State。这种设计借鉴了Redux等前端状态管理库的思路：单一数据源、不可变更新、可追溯历史。正因为State是全图共享的，LangGraph才能实现「断点续跑」——只需将某一时刻的State序列化存储，下次从该State恢复即可继续执行，这是Chain模式根本无法支持的能力。

Graph与Chain的四维对比

从四个维度直接对比，差异一目了然：

维度	Chain（链）	Graph（图）
执行流	单向线性，顺序固定，像单行道只能往前	拓扑网结构，支持循环、分支、并行，像完整城市路网
数据传递	单值链式传递，承载信息有限	全局State共享，任何节点随时可取完整上下文
分支能力	无原生分支，靠写Prompt诱导模型选，不稳定	内置条件边，代码层面的确定性判断
容错能力	基本没有，一步错则全盘崩，无法重试	支持重试、兜底逻辑，甚至断点续跑

这张对比表清楚地说明：Chain的局限来自其底层设计，靠「打补丁」突破不了；而Graph基于节点、边、状态的核心模型，天生适合表达复杂决策逻辑。

表中提到的「条件边」（Conditional Edge）是Graph超越Chain的关键机制之一。在LangGraph中，条件边本质是一个普通Python函数：它接收当前State作为输入，返回下一个要跳转的节点名称。这意味着所有路由逻辑都是显式的代码，而非隐藏在Prompt中的模糊指令。相比之下，Chain时代常见的做法是在Prompt里写「如果结果是X就做A，如果是Y就做B」，然后解析模型输出来猜测应该走哪条路——这种方式不仅不稳定，还极难测试和调试。条件边将「决策」从模型行为层提升到了工程控制层，是构建可靠Agent的基础设施之一。

LangGraph带来的三点核心价值

作为建立在图结构之上的框架，LangGraph的实际价值体现在三个层面。

确定性的流程编排。过去用Chain做复杂逻辑，很多判断塞在Prompt里，本质是个黑盒——你不知道它为什么选这条路。LangGraph把决策逻辑从黑盒Prompt变成白盒代码，整个流程可视化、可测试、可追踪，逻辑变得可预测、可调试、可监控。

状态驱动的设计思想。它提供统一的State抽象，无论是多轮对话、工具调用还是记忆管理，都用同一个标准载体存储数据，大幅降低复杂交互的开发成本。

面向生产的工程化底座。LangGraph自带断点续跑、人工介入（Human-in-the-loop）、流式输出等生产环境必备能力，拿过来就能直接用在生产级环境里，不用从零实现。

所以常说LangGraph像是「Agent的操作系统」——它把行业最佳实践沉淀成标准编程模型，帮助构建可复用的AI开发生态。

「Human-in-the-loop」（人工介入）是指在自动化流程中预设检查点，允许人类在特定节点暂停执行、审核当前State、手动修改后再继续。这在金融审批、内容合规、医疗决策等高风险场景中至关重要——Agent不应在没有人工确认的情况下执行不可逆操作（如发送邮件、调用付款接口）。LangGraph通过interrupt_before或interrupt_after机制原生支持这一模式，开发者只需在编译图时声明哪些节点需要人工审核，框架便会自动在该节点前后挂起执行并等待外部输入，无需手动实现复杂的状态保存与恢复逻辑。

三个核心结论

梳理这场架构演进，可以得出三个结论：

1. Chain适合简单线性场景。做简单任务效率很高，但碰到复杂Agent场景就捉襟见肘，底层设计决定了它的天花板。
2. Graph天生适合复杂决策。基于节点、边、状态的核心模型，支持循环与回溯，表达能力强，能适配各种复杂业务场景。
3. LangGraph是AI应用的标准化工程底座。它沉淀了行业最佳实践，提供标准化编程模型，为复杂AI系统提供完整的工程化支撑。

一句话总结：从Chain到Graph，是AI技术发展的变化方向；而LangGraph，正是这个演进过程中目前最好用的工程实践载体。后续章节将逐个拆解LangGraph的核心概念——State（状态载体）、Node（执行单元）、Edge（连接桥梁）与Conditional Edge（条件边），后者正是基于状态动态选择路径、实现智能流程控制的关键。