开启你的 Agent 时代：LangChain + LangGraph 项目开发入门及语言堆栈抉择
大语言模型（LLM）从单轮问答演进为智能体（Agent），传统开发模式已显不足。本文将快速介绍LangChain与LangGraph入门，并解析语言堆栈的最佳选择。
在着手新建项目时，首要困惑往往是：“该选择 Python 还是 TypeScript ？”
本文旨在快速上手LangChain与LangGraph，并重点解析如何挑选最优语言堆栈。
快速理清关系：LangChain vs LangGraph
正式编码前，借助下图理清两者的定位与协作关系：
- LangChain： 提供标准化组件（Models, Prompts, Tools, Memory），如同乐高积木。
- LangGraph： 将这些组件组装为图结构（Graphs）。其最大突破是支持循环（Cyclic）结构，使Agent能思考、调用工具、检查结果，不满意时可回溯重试，这是传统线性链式结构（Chains）无法实现的。
核心对决：Python vs TypeScript，怎么选？
LangChain团队对多语言生态极为重视，Python与JS/TS版本几乎同步。语言选择直接影响项目架构与维护成本。
一张表看懂两者的底牌
| 维度 | Python 堆栈 (langchain + langgraph) | TypeScript/JS 堆栈 (@langchain/core + langgraph) |
|---|---|---|
| 主要应用场景 | 数据科学、模型微调、复杂 AI 算法实验、企业级大模型后端。 | 全栈 Web 应用、Serverless/Edge 部署、前端无缝集成。 |
| 生态成熟度 | 绝对霸主。最新的论文实现、小众向量数据库、冷门工具集成，100% 优先支持 Python。 | 高度成熟。核心功能完全同步，但某些冷门第三方工具需要自己手写封装。 |
| 并发与异步 | 依赖 asyncio。处理高并发 I/O 时需要小心编写异步代码。 | 天生优势。Node.js 的事件循环和异步 I/O 在处理多用户高并发、流式传输（Streaming）时非常丝滑。 |
| 部署与运行 | 需要配置 Python 虚拟环境，容器化（Docker）较重，不适合边缘计算。 | 极轻量。完美适配 Vercel, Cloudflare Workers, Supabase Functions 等边缘/Serverless 架构。 |
场景抉择指南：对号入座
方案 A：坚定选择 Python，如果：
- 你是 AI 研究员、数据科学家或算法工程师： 日常需使用PyTorch, Pandas, NumPy或Hugging Face模型。
- 你的Agent需处理复杂数据： 例如清洗大量Excel或运行数学计算。
- 需要前沿流行工具： 许多新Prompt工程或Agent策略仅提供Python版本。
方案 B：坚定选择 TypeScript，如果：
- 你是前端或全栈工程师： 核心栈为React, Next.js, Vue或Node.js，不愿为AI引入复杂Python后端。
- 追求极低冷启动与Serverless部署： 希望将Agent部署于Next.js Route Handlers或Cloudflare Workers，享受按量付费与毫秒级响应。
- 高并发与实时流（Streaming）为刚需： 需要处理大量并发用户，并实现流畅的逐字输出效果。
两大语言堆栈的入门脚手架
无论选择哪门语言，LangGraph的核心概念——状态（State）、节点（Nodes）与边（Edges）均保持一致。
1. Python 入门起步
Python环境中，推荐使用 src 目录布局，并借助 uv 或 poetry 管理依赖。
# 安装核心依赖
pip install langchain-core langgraph langchain-openai
最小可行性代码示例：
from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph, START, END# 1. 定义图的状态（State）
class State(TypedDict):
input: str
output: str# 2. 定义节点（Node）逻辑
def agent_node(state: State):
return {"output": f"AI 思考了: {state['input']}"}# 3. 构建图
builder = StateGraph(State)
builder.add_node("agent", agent_node)
builder.add_edge(START, "agent")
builder.add_edge("agent", END)graph = builder.compile()
print(graph.invoke({"input": "你好！"}))
2. TypeScript 入门起步
对于Node.js环境，配置过程简洁明了。
# 安装核心依赖
npm install @langchain/core @langchain/langgraph @langchain/openai
最小可行性代码示例：
import { StateGraph, START, END } from "@langchain/langgraph";// 1. 定义图的状态结构
const GraphState = {
input: { value: (x: string, y: string) => y, default: () => "" },
output: { value: (x: string, y: string) => y, default: () => "" },
};// 2. 定义节点
const agentNode = (state: typeof GraphState) => {
return { output: `AI 思考了: ${state.input}` };
};// 3. 构建图
const workflow = new StateGraph({ channels: GraphState })
.addNode("agent", agentNode)
.addEdge(START, "agent")
.addEdge("agent", END);const graph = workflow.compile();
const result = await graph.invoke({ input: "你好！" });
console.log(result);
总结：我的最终建议
技术栈无绝对优劣，唯有适合与否。
- 若项目为重度依赖算法、强调大模型深度推理与数据处理的独立后端，推荐 Python，其AI生态可简化开发。
- 若项目为注重体验、高并发交互、追求快速上市的Web产品，请直接选用 TypeScript，全栈效率极佳。
个人建议常选Python，后续将推出更多深入实例，详细解析智能体开发过程。