LangChain, LangGraph, LangSmith і Langflow: що робить кожен інструмент

Чотири назви з однієї екосистеми постійно звучать разом: LangChain, LangGraph, LangSmith і Langflow. Їх часто записують у конкурентні фреймворки, хоча кожен відповідає за свою задачу.

• LangChain дає будівельні блоки: обгортки над моделями, шаблони промптів, ретривери, прив'язку інструментів і парсери виводу.
• LangGraph запускає застосунки, яким потрібна пам'ять між кроками, розгалуження чи цикли.
• LangSmith стежить за тим, що сталося, і оцінює це — і в розробці, і в продакшені.
• Langflow накриває ті самі ідеї полотном із перетягуванням блоків.

LangChain для лінійних конвеєрів

LangChain пов'язує модель із промптами, ретриверами, інструментами, базами даних і структурованим виводом. Коли робота йде в один бік, від входу через кілька кроків до результату, це зазвичай найшвидший шлях. Встановіть його разом з інтеграцією OpenAI, імпортуйте шаблон промпту й чат-модель, задайте шаблон із системного рядка та рядка користувача з плейсхолдером теми й закріпіть невелику модель із нульовою температурою, щоб відповіді були відтворюваними.

pip install langchain langchain-openai

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "You are a concise technical writer."),
        ("user", "Explain {topic} in three bullet points."),
    ]
)

model = ChatOpenAI(
    model="gpt-4.1-mini",
    temperature=0,
)

Оператор «пайп» з'єднує шаблон і модель у ланцюжок. Якщо викликати ланцюжок зі словником, де вказано тему, він поверне відповідь, текст якої лежить в атрибуті content.

chain = prompt | model
response = chain.invoke(
    {"topic": "retrieval-augmented generation"}
)

print(response.content)

Шаблон і модель лишаються окремими об'єктами, тож будь-який із них можна замінити, а ланцюжок надає одну охайну форму входу. Це пасує для інтеграцій, пошуку, виклику інструментів, складання промптів і розбору виводу.

LangGraph, коли потокові треба ухвалювати рішення

LangGraph описує застосунок як граф. Вузли виконують роботу, ребра кажуть, що запускати далі, а ними подорожує типізований об'єкт стану. Це окупається, коли виконання може розгалужуватися, зациклюватися, повторюватися, призупинятися чи відновлюватися. Приклад нижче маршрутизує запитання до підтримки. Після встановлення пакета він імпортує допоміжні типи й примітиви графа.

pip install langgraph

from typing import Literal, TypedDict

from langgraph.graph import END, START, StateGraph

Спільний стан зберігає запитання, категорію й відповідь. Один вузол призначає категорію за текстом запитання, а ще два формують відповідь: один для питань оплати, інший для всього решта.

class SupportState(TypedDict):
    question: str
    category: str
    answer: str

def classify(state: SupportState) -> dict:
    question = state["question"].lower()
    category = (
        "billing"
        if "invoice" in question
        else "general"
    )
    return {"category": category}

def answer_billing(state: SupportState) -> dict:
    return {
        "answer": "I will help you review the invoice."
    }

def answer_general(state: SupportState) -> dict:
    return {
        "answer": "I will help you with your request."
    }

Невеликий роутер повертає мітку, яку зберіг класифікатор. Під час складання реєструються чотири вузли, а потім додаються ребра: старт веде до класифікатора, умовне ребро розходиться до відповідного вузла відповіді, і обидві відповіді ведуть до кінця.

def route(
    state: SupportState,
) -> Literal["billing", "general"]:
    return state["category"]

builder = StateGraph(SupportState)
builder.add_node("classify", classify)
builder.add_node("billing", answer_billing)
builder.add_node("general", answer_general)

builder.add_edge(START, "classify")
builder.add_conditional_edges("classify", route)
builder.add_edge("billing", END)
builder.add_edge("general", END)

Компіляція білдера дає готовий до запуску граф. Якщо подати в нього запитання про рахунок із порожньою категорією, запит піде гілкою оплати, а виведення поля з відповіддю підтвердить, який шлях спрацював.

graph = builder.compile()

result = graph.invoke(
    {
        "question": "Why is my invoice higher?",
        "category": "",
        "answer": "",
    }
)

print(result["answer"])

Та сама схема розтягується на цикли з інструментами, чекпоінти, агентів, що взаємодіють, і кроки зі схваленням людиною — саме там надійний стан, маршрутизація, цикли й повтори себе виправдовують.

LangSmith, щоб бачити, що зробила система

LangSmith не конкурує з двома попередніми. Він робить їхню поведінку видимою: промпти, виклики моделі, вибір інструментів, затримку, збої, кількість токенів і витрати можна згодом вивчити. Налаштування — дві змінні оточення: одна вмикає трасування, інша зберігає API-ключ.

import os

os.environ["LANGSMITH_TRACING"] = "true"
os.environ["LANGSMITH_API_KEY"] = (
    "your-langsmith-api-key"
)
os.environ["LANGSMITH_PROJECT"] = (
    "agent-comparison-demo"
)

Ключ вище — заглушка. Справжнім обліковим даним місце в оточенні або в менеджері секретів, а не у файлах із вихідним кодом. Коли трасування ввімкнено, підтримувані виклики LangChain і LangGraph з'являються в обраному проєкті.

Для оцінювання зберіть датасет, схожий на реальний трафік, і порівнюйте версії за коректністю, обґрунтованістю, точністю вибору інструментів, швидкістю й вартістю. LangSmith пасує для налагодження, регресійних наборів, трасувань у продакшені, моніторингу й аналізу зворотного зв'язку.

Langflow для складання на полотні

Langflow — візуальне low-code-середовище. Входи, промпти, моделі, ретривери, векторні сховища, інструменти й виходи перетягуються на полотно й з'єднуються. Воно добре для експериментів, демо, навчання й змішаних команд.

Розгорнутий потік можна викликати через HTTP. Клієнт нижче імпортує os і requests, читає адресу сервера зі змінної оточення з локальним портом за замовчуванням як запасним варіантом і обгортає виклик у допоміжну функцію, що складає URL ендпоінта.

import os

import requests

LANGFLOW_URL = os.getenv(
    "LANGFLOW_URL",
    "http://localhost:7860",
)
FLOW_ID = os.environ["LANGFLOW_FLOW_ID"]
API_KEY = os.environ["LANGFLOW_API_KEY"]

def run_flow(message: str) -> dict:
    url = (
        f"{LANGFLOW_URL}/api/v1/run/{FLOW_ID}"
    )
    headers = {"x-api-key": API_KEY}
    payload = {
        "input_value": message,
        "input_type": "chat",
        "output_type": "chat",
    }

Допоміжна функція надсилає дані POST-запитом із заголовками й таймаутом, перевіряє HTTP-помилки й повертає тіло JSON. Виклик із запитанням-порівнянням виводить структурований результат.

response = requests.post(
        url,
        headers=headers,
        json=payload,
        timeout=60,
    )
    response.raise_for_status()
    return response.json()

result = run_flow(
    "Compare LangChain and LangGraph."
)
print(result)

Конфігурація не потрапляє у вихідний код, запити не можуть висіти вічно, а збої викидають винятки. Обирайте Langflow для візуального прототипування, повторно використовуваних потоків, демо й швидшої командної роботи. Сильно кастомізовану продакшен-логіку може бути простіше тримати у вигляді Python-коду під контролем версій.

Усі чотири в одному продукті

В агенті клієнтської підтримки LangChain пов'язує модель, промпт, базу знань та інструменти. LangGraph керує класифікацією, пошуком, схваленням і повторами. LangSmith записує кожен крок і оцінює якість, швидкість і вартість. Langflow дає візуальну чернетку, якою зацікавлені сторони можуть проклікати сценарій.

Практичні правила:

• Лінійний конвеєр: почніть із LangChain.
• Стан, розгалуження, цикли чи запуски, які можна відновити: додайте LangGraph.
• Треба довести якість: підключіть LangSmith.
• Швидкі візуальні експерименти: спробуйте Langflow.

Жоден не замінює інший. Один дає компоненти, другий — стан і маршрутизацію, третій — спостережуваність та оцінювання, четвертий — візуальний спосіб складати й публікувати потоки. Використовуйте найменше поєднання, яке команда ще може зрозуміти, протестувати й якому може довіряти.