LangChain 1.0 對 Python 版本有什麼要求?

LangChain 1.0 把 Python 3.9 支援拿掉了,最低需要 3.10。如果你還在 3.9 的環境,pip 裝得起來但行為會怪,先升 Python 再說。

LangChain vs LangGraph 是什麼?2026 該學哪個(完整比較)

Q: LangChain 跟 LangGraph 可以混用嗎?

可以,而且官方鼓勵。你可以用 LangChain 的 create_agent 快速做出 agent,然後把它當成 LangGraph 圖裡的一個 node。因為 LangChain 底層就是 LangGraph,兩者天生相容。

Q: 我完全不會,該先學 LangChain 還是 LangGraph?

先學 LangGraph 的核心三件事——state、node、edge。把這三個搞懂,LangChain 的 create_agent 你一看就懂,因為它只是把一個常見的 graph 包起來。反過來先學 LangChain,你會卡在不知道底下 runtime 長怎樣。

Q: LangGraph 1.0 穩定嗎?可以上 production 嗎?

可以。官方說它是 durable agent 框架領域的第一個穩定大版本,已經在 Uber、LinkedIn、Klarna 這些公司跑了一年多才正式 1.0,並承諾 2.0 前不做破壞性更新。

Q: 只做簡單的 RAG 問答,需要 LangGraph 嗎?

不一定需要。純 RAG(檢索加丟給模型回答)用 LangChain 的標準組件就夠。等你的流程開始長出分流、重試、人工審核、多步驟混合這些需求,再下沉到 LangGraph。不要為了用而用。

TL;DR：LangChain 跟 LangGraph 不是二選一，是上下層。LangGraph 是底層 runtime（管 state、流程、重試），LangChain 是建在它上面的高階 API（create_agent 一行起手）。2025-10-22 兩者都上 1.0 正式版，承諾 2.0 前不破壞 API。標準 agent loop 用 LangChain，要精細控制流程分流 / 重試 / human-in-the-loop 用 LangGraph。 這篇是「用真實專案學 LangGraph」系列的第一篇，先把選型講清楚，後面 EP2 開始手把手寫第一個會跑的 graph。

這是一個系列。我把一套真的在跑的醫療 AI 決策 pipeline 的設計，拆成 6 篇從 0 教你 LangGraph。第一篇不寫 code，先解決一個最多人卡住的問題：LangChain 跟 LangGraph 到底差在哪，2026 年該學哪個？

LangChain 跟 LangGraph 是什麼

先給最短的答案：

LangGraph 是一個 agent 的執行 runtime。你把 AI 應用畫成一張圖（graph）：每個節點（node）做一件事，節點之間用邊（edge）連起來，整張圖共用一份狀態（state）。它管的是「流程怎麼走、狀態怎麼傳、卡住了怎麼重試」。
LangChain 是建在 LangGraph 之上的高階 API。它把「呼叫模型 → 模型決定要不要用工具 → 執行工具 → 再問模型」這個最常見的 agent 迴圈包成一個 create_agent 函式，讓你一行起手。

官方在 2025 年 10 月 22 日把兩者一起推上 1.0，講得很白：LangGraph is the low-level runtime, and LangChain is now a high-level API built on that runtime.（LangGraph 是底層 runtime，LangChain 是建在其上的高階 API。）

換句話說，你用 LangChain 寫 agent 的時候，底下跑的就是 LangGraph。它們不是競爭關係，是同一套東西的兩個抽象層。

🧠 為什麼這兩個東西最多人搞混

我帶學員、也在企業內訓講過 AI 應用開發，這題的混亂幾乎每次都出現。原因有三個：

第一，名字太像。 一個叫 LangChain、一個叫 LangGraph，同一個團隊出的，文件還混在一起。新手第一反應是「這兩個是不是同一個東西的新舊版本」——不是。

第二，能力重疊。 你用 LangChain 能做的事，硬用 LangGraph 也做得出來，反過來也行。所以「我到底該學哪個」這個問題，光看功能列表是看不出答案的。差別在控制粒度，不在能不能做。

第三，版本一直變。 LangGraph 從 0.1、0.2 一路演進，2025 年 10 月才上 1.0。網路上一堆教學是 0.x 時代寫的，import 路徑、API 名稱都可能對不上。你照著舊文打 code，跑不起來，又搞不清楚是自己錯還是文章過時。

這也是我寫這個系列的原因：用一個真的在 production 跑的專案當骨架，而不是 toy example。我手上有一套醫療場景的 AI 決策 pipeline——一筆病人資料進來，補齊衍生指標、跑公式、載入規則、組 few-shot、丟給 LLM 出結構化建議、再用業務規則驗一遍、不過就重試或退件。整套就是 LangGraph 搭的，後面幾篇會把它去識別化之後一塊一塊拆給你看。

⚖️ LangChain vs LangGraph 差別比較表

維度	LangChain 1.0	LangGraph 1.0
定位	高階 API	底層 runtime
核心抽象	`create_agent`（標準 agent loop）	`StateGraph`（你自己畫流程圖）
控制粒度	用 middleware 在固定 loop 上掛 hook	每個 node、每條 edge 自己定
流程分流	△ middleware 能做但受限	✓ conditional edge 任意分流
自訂重試	△ 靠 middleware	✓ 自己畫一條 retry 邊回去
Human-in-the-loop	✓ 內建 middleware	✓ 第一級 API 支援
狀態持久化	✓（底層就是 LangGraph）	✓ durable state，server 重啟也接得回
上手速度	快，一行起手	慢，要先想清楚流程
適合	標準「問答 + 用工具」agent	混合確定性步驟 + AI 步驟的複雜流程

（✓ 原生支援、△ 做得到但繞、✗ 不適合）

重點不是哪個比較強，是你的應用長什麼樣。下一節給三個情境直接判斷。

🎯 2026 該學哪個：三個情境判斷

情境一：你只是想做「會用工具的聊天機器人」

模型回答問題，需要時呼叫搜尋、查資料庫、算東西，然後給最終答案。這就是標準 agent loop。

用 LangChain。 create_agent 三行搞定，middleware 補上 human-in-the-loop、PII 遮蔽、長對話自動摘要。官方的話：create_agent 是「最快的方式，用任何 model provider 建出 agent」。

情境二：你的流程混了「確定性步驟」跟「AI 步驟」

像我那套醫療 pipeline：有些步驟是純算的（補 BMI、跑公式、查規則，這些不該丟給 LLM 亂猜），有些步驟才需要 LLM 判斷。而且 LLM 出來的結果還要過一道業務規則驗證，不過就得退回去重做或直接退件。

用 LangGraph。 這種「deterministic + agentic 混合 + 要分流 + 要重試」的流程，正是 LangGraph 1.0 官方點名的主場：workflows mixing deterministic and agentic components。你需要的是一張能畫出 if-else 分支、能畫出 retry 迴圈的圖，不是一個固定的 agent loop。

情境三：長流程、要人工審核、要 latency/cost 最佳化

跑很久的業務流程、敏感操作要人點頭才能繼續、每一步的成本都要算。

用 LangGraph。 durable state 是關鍵——server 中途重啟、長流程被打斷，它接得回來，不會掉 context。

一句話總結選型：標準 loop 撐得住就用 LangChain，撐不住就下沉到 LangGraph。 而因為 LangChain 底層就是 LangGraph，你之後要從前者「掀開蓋子」往下走，不用打掉重練。

🔥 我踩過的坑：版本與心智模型

坑一：照舊教學打 code，import 路徑對不上

2026 年要學，請認明 1.0。0.x 時代的教學很多，import 路徑跟 API 名稱會不一樣。LangGraph 1.0 唯一比較明顯的變動是 langgraph.prebuilt 被 deprecate，功能搬到 langchain.agents。如果你照舊文 from langgraph.prebuilt import ... 打不出來，先檢查版本。

驗證裝的是哪個版本，一行：

python -c "import importlib.metadata as m; print('langgraph', m.version('langgraph')); print('langchain', m.version('langchain'))"

坑二：Python 版本被砍

LangChain 1.0 把 Python 3.9 支援拿掉了，最低 3.10。如果你還在 3.9 的環境，pip 裝得起來但行為怪，先升 Python。

python --version   # 要 3.10 以上

坑三：把「學會 API」當成「學會 LangGraph」

這是最大的坑，跟版本無關。LangGraph 的 API 其實很少——StateGraph、add_node、add_edge、add_conditional_edges、compile、invoke，大概就這些。難的不是記 API，是建立心智模型：

你的應用要拆成哪幾個 node？
node 之間的狀態（state）要傳什麼？
哪裡需要分流（conditional edge）？哪裡需要回頭重試？

API 一天就學完，心智模型要靠真的拆一個專案才長得出來。這就是為什麼這系列不給 toy example，直接帶你拆一套真的在跑的 pipeline。

❓ 常見問題 FAQ

Q：LangChain 跟 LangGraph 可以混用嗎？
A：可以，而且官方鼓勵。你可以用 LangChain 的 create_agent 快速做出 agent，然後把它當成 LangGraph 圖裡的一個 node。因為 LangChain 底層就是 LangGraph，兩者天生相容。

Q：我完全不會，該先學哪個？
A：先學 LangGraph 的核心三件事——state、node、edge。把這三個搞懂，LangChain 的 create_agent 你一看就懂（因為它只是把一個常見的 graph 包起來）。反過來先學 LangChain，你會卡在「為什麼 middleware 是這樣設計」，因為你不知道底下的 runtime 長怎樣。這系列就是從 LangGraph 核心開始教。

Q：LangGraph 1.0 穩定嗎？可以上 production 嗎？
A：可以。官方說它是「durable agent 框架領域的第一個穩定大版本」，已經在 Uber、LinkedIn、Klarna 這些公司跑了一年多才正式 1.0，並承諾 2.0 前不做破壞性更新。

Q：只做簡單的 RAG 問答，需要 LangGraph 嗎？
A：不一定需要。純 RAG（檢索 + 丟給模型回答）用 LangChain 的標準組件就夠。等你的流程開始長出「分流、重試、人工審核、多步驟混合」這些需求，再下沉到 LangGraph。不要為了用而用。

Q：學這個跟直接用 OpenAI / Anthropic SDK 寫有什麼差？
A：簡單應用直接用 SDK 更輕。LangGraph 的價值在「流程複雜到你開始自己手刻 state machine」的時候——它把 state 傳遞、流程分流、重試、持久化這些你遲早要自己寫的東西標準化了。流程越複雜，省得越多。

🔗 延伸資源

LangGraph 官方 repo（langchain-ai/langgraph） — 底層 runtime 的 source of truth
LangChain 官方 repo（langchain-ai/langchain） — 高階 API
LangGraph 1.0 GA 公告 — 1.0 的選型官方說法
LangGraph v1 有什麼變動（官方 docs） — 升級前先看這個
下一篇：EP2 — LangGraph 核心 State / Node / Edge，手把手寫你第一個會跑的 graph