创建日期：2026-09-14 ｜ 最近更新：2026-09-14 版本基线：LangChain.js 1.5.11 / @langchain/core 1.2.11 / @langchain/langgraph 1.4.15（2026-09 npm 核对）。本系列全部代码本机真实运行，走 DeepSeek 的 Anthropic 兼容端点（api.deepseek.com/anthropic，模型 deepseek-v4-flash）。

LangChain.js 与 LangGraph.js 入门 0：它俩是什么关系

一句话：LangChain.js 是「组件库」（模型、提示、解析、工具、检索……每样给你一个标准件，再用 LCEL 管起来）；LangGraph.js 是「编排引擎」（把多步流程画成带状态、可循环、可持久化的图）。

两者同一团队，常一起用，但解决的问题不同：LangChain 让「一次模型调用/一条链」变简单；LangGraph 让「多轮、带状态、要分支和记忆的 Agent」变得可控。如果你已经跟着本站的 frontend-agent 系列手写过工具循环，这个系列会让你看清：框架到底把你手写的哪部分接了过去。

1. 先分清两者的边界

	LangChain.js	LangGraph.js
定位	组件 + 组合（LCEL）	有状态图编排
核心抽象	Runnable（可 invoke/batch/stream）	StateGraph（状态 + 节点 + 边）
擅长	单次调用、提示模板、结构化输出、工具调用	多步循环、条件分支、记忆/持久化、人工介入
能循环吗	不建议（链是 DAG）	能，这是它的主业
典型用途	「问一句、抽个 JSON、调个工具」	「像 Agent 那样多轮干一件事」

一个记忆锚点：LangChain 的「链」是有向无环的（DAG）；Agent 需要环（loop），所以要有 LangGraph。 你手写过的 while (有 tool_use) { 执行; 回填 } ——LangGraph 把这个 while 变成图里的一条回边。

2. 安装与环境

npm i langchain @langchain/core @langchain/langgraph @langchain/anthropic zod

@langchain/core：核心抽象（消息、Runnable、工具）——很多包都依赖它；
langchain：更高层的整合包（预置 agent、工具集等）；
@langchain/langgraph：图引擎；
@langchain/anthropic：模型接入（本系列用它连「Anthropic 兼容端点」）；
zod：给工具/结构化输出定义 schema（呼应本站 Zod 入门）。
Node：langchain 要 Node ≥ 20，langgraph 要 ≥ 18——按 20+ 准备。

3. 接入模型：一个实例，处处可用

// model.mjs —— 全系列共用
import { ChatAnthropic } from '@langchain/anthropic';

const BASE = (process.env.ANTHROPIC_BASE_URL || 'https://api.deepseek.com/anthropic').replace(/\/+$/, '');
export const model = new ChatAnthropic({
  model: process.env.ANTHROPIC_MODEL || 'deepseek-v4-flash',
  apiKey: process.env.ANTHROPIC_AUTH_TOKEN,
  anthropicApiUrl: BASE,     // ← 换成你的兼容端点即可（Claude 官方则不用传）
  temperature: 0,
  maxTokens: 1024,           // ← 见下面的坑
});

最小验证：

import { model } from './model.mjs';
const r = await model.invoke('请只回复两个字：pong');
console.log('text =', JSON.stringify(r.text));

实测输出：

text = "pong"

⚠️ 两个真实踩到的坑（都是推理模型带来的）

maxTokens 太小时，token 全被 thinking 吃掉、拿不到正文。 实测把 maxTokens 设 64，返回的 content 里只有 thinking 块，text 是空串；设 1024 就有正常文本。
content 是「块数组」，不是字符串。 推理模型的回复形如：

content 块类型: thinking,text
r.text = "pong"

所以别直接打印 r.content（你会看到一坨 thinking），用 r.text 取正文（LangChain 已帮你把 text 块拼好）。

4. 看一眼 LangGraph：最小状态图

先建立「图」的直觉——两个节点，一条流水线：

import { StateGraph, Annotation, START, END } from '@langchain/langgraph';

const S = Annotation.Root({ n: Annotation({ reducer: (a, b) => b, default: () => 0 }) });

const g = new StateGraph(S)
  .addNode('inc', (s) => ({ n: s.n + 1 }))          // 节点：接收状态，返回状态的“增量”
  .addNode('double', (s) => ({ n: s.n * 2 }))
  .addEdge(START, 'inc')                            // 边：START → inc → double → END
  .addEdge('inc', 'double')
  .addEdge('double', END)
  .compile();

console.log(await g.invoke({ n: 5 }));

实测输出：

{"n":12}     // (5+1)*2 = 12

看懂两个词就够了：节点（node）是函数，边（edge）是顺序；Annotation 定义「状态长什么样」。剩下的（条件边、循环、记忆）全都建立在这三件东西上。

5. 本系列路线

篇	你会得到
1 LangChain 核心	消息类型、提示模板、LCEL 管道、结构化输出（含推理模型的限制与替代方案）
2 LangGraph 入门	状态/reducer、条件边、循环、MemorySaver 记忆
3 实战 ReAct Agent	用 `createReactAgent` 搭一个真会调工具的 Agent，并与手写循环对照
4 LangGraph 图解	如果 2 没看懂看这篇：mermaid 画图 + 逐步执行轨迹，把「状态怎么合并、循环怎么转」摊开讲

关联：手写版循环看 frontend-agent 2/3；模型协议看 llm-format；工具协议看 MCP。

动手

装好依赖，跑通 §3 的 pong；
把 maxTokens 改成 64 再跑一次，亲眼看看「只有 thinking、没有 text」；
跑通 §4 的最小图，改成 (n+2)*3 看结果。

自测

LangChain 和 LangGraph 各解决什么问题？
为什么「链」不适合做 Agent 循环？
推理模型的回复里，thinking 和 text 怎么区分？
maxTokens 太小会怎样？
LangGraph 里状态是由什么定义的？

1. 先分清两者的边界​

2. 安装与环境​

3. 接入模型：一个实例，处处可用​

⚠️ 两个真实踩到的坑（都是推理模型带来的）​

4. 看一眼 LangGraph：最小状态图​

5. 本系列路线​

动手​

自测​