LangChain vs LangGraph vs LlamaIndex：Agent/RAG 框架怎么选

做 AI 应用，框架选型第一道坎就是 LangChain / LangGraph / LlamaIndex——名字像、功能重叠、文档互相借鉴，选错了一路别扭，选对了事半功倍。这篇不讲谁"最好"，讲它们各自适合什么。

一、先纠正一个误解：它们不是竞争关系

很多人以为三者是"二选一"，其实各管一段，常常组合使用：

• LangChain：全栈"胶水"——LLM 调用、prompt、工具、记忆、文档加载，大而全的抽象。
• LangGraph：Agent 编排——把复杂 Agent 流程画成状态图，可控、可观测。
• LlamaIndex：数据与 RAG——文档接入、切分、索引、检索，这块最深。

LangChain 和 LangGraph 同一家公司，后者是前者的"Agent 编排升级"；LlamaIndex 专注数据/RAG。你可以用 LlamaIndex 做 RAG + LangGraph 编 Agent + LangChain 做杂项胶水——它们互补。

二、LangChain：大而全的胶水

定位：AI 应用的瑞士军刀。几乎覆盖所有环节——LLM 调用、prompt 模板、工具、记忆、各种文档 loader、向量库集成、chain（链式调用）。

优点：

• 生态最全。要接什么（向量库、文档源、工具），多半有现成集成。
• 入门快。文档/教程/示例最多。
• 适合快速搭原型。

缺点：

• 抽象过度。层层封装，出了问题调试困难，"magic"太多。
• chain 抽象不适合复杂 Agent（控制流不灵活）——这也是为什么出了 LangGraph。
• 版本变动频繁，API 常变。

适合：快速原型、需要接大量现成集成、流程简单的应用。一旦 Agent 复杂，LangChain 的 chain 会力不从心，该上 LangGraph。

三、LangGraph：Agent 编排的正确形态

定位：用状态图编排复杂 Agent。它就是为解决"LangChain chain 模型做不了复杂可控 Agent"而生的。

核心心智模型：Agent = 状态图。节点是 Agent/函数，边是控制流，state 在节点间流动。条件边、循环、并行、人工介入，都原生支持。

优点：

• 复杂 Agent 的可控性。状态图让控制流清晰、可追踪、可调试。
• 生产级特性：人在回路、持久化（可中断恢复）、流式、trace（配 LangSmith）。
• 和具体模型/库解耦。你可以用它编排任何 LLM/工具。

缺点：

• 对简单任务偏重。做个单步 RAG 用它杀鸡用牛刀。
• 学习曲线。状态图的心智模型要适应。

适合：多步、有分支/循环、需要可控可观测的 Agent（研究 Agent、多 Agent 协作、复杂工作流）。之前《多 Agent 协作》《研究 Agent》都用它。

四、LlamaIndex：数据与 RAG 的深度

定位：把"数据接进 LLM"这件事做到最深。文档加载、解析、切分、索引、检索、查询引擎、各种高级 RAG 技巧，这块它最专。

优点：

• 数据管道最全。几十种文档 loader、多种切分/解析策略。
• RAG 进阶内置。混合检索、rerank、查询转换、small-to-big，开箱即用。
• 结构化数据查询（Text-to-SQL、知识图谱）强。

缺点：

• Agent 编排不如 LangGraph。它有 Agent，但复杂编排不是强项。
• 抽象也有点重，但比 LangChain 聚焦。

适合：RAG / 数据密集型应用（知识库问答、文档问答、结构化数据查询）。做 RAG，LlamaIndex 通常比 LangChain 顺手。

五、决策框架

你的需求是?
├ 简单原型、要接一堆集成 → LangChain
├ 复杂可控的 Agent(多步/分支/循环) → LangGraph
├ RAG / 数据接入为主 → LlamaIndex
└ 组合 → 常见: LlamaIndex(检索) + LangGraph(编排)

一句话：Agent 编排找 LangGraph，RAG/数据找 LlamaIndex，快速胶水找 LangChain。三者经常共存。

六、被低估的选项：不用框架

框架不是必须。尤其当你的应用简单，或对可控性要求极高时，直接用模型 SDK + 自己写编排，常常更清爽：

• 简单 RAG：自己切分 + pgvector + 一个 LLM 调用，几十行，比上 LlamaIndex 的全套抽象清晰。
• 简单 Agent：之前《手写 ReAct Agent》演示过——50 行循环，核心 Agent 本体。
• 可控性优先：框架的"magic"在出 bug 时是负担，关键系统自己写更可控。

框架的价值在"帮你省去模板代码"，代价是"学习 + 调试 + 锁定"。小项目，自己写可能更快；大项目，框架省心。别为了"用框架"而用框架。

七、选型的几个实操建议

1. 先想清楚需求，再选框架。别"听说 LangChain 火就用"，先问"我要做 RAG 还是 Agent 还是胶水"。
2. 小项目优先自己写。你能自己写的，别引入框架（减少依赖和调试痛苦）。
3. 大项目按需组合。LlamaIndex 做 RAG + LangGraph 编 Agent，是常见的生产组合。
4. 关注锁定风险。框架抽象一旦深入，迁移成本高。核心数据/逻辑保持框架无关（用标准格式存数据/状态），降低锁定。
5. 看维护活跃度。AI 领域框架更迭快，选维护活跃、文档好的（这三个都是）。

小结

三个框架不是竞争对手，各管一段：

• LangChain：全栈胶水，原型快、集成多。
• LangGraph：复杂 Agent 编排，状态图、可控可观测。
• LlamaIndex：数据与 RAG，这条最专最深。

按需求选：Agent 编排→LangGraph，RAG/数据→LlamaIndex，胶水→LangChain，常常组合。而简单或高可控场景，自己写往往更好——框架不是默认选项。

记住一句：框架是工具，不是信仰。选能让你的项目更简单、更可控的那个——哪怕那个是"不用框架"。在 AI 领域尤其如此，模型和需求变化太快，过度依赖某框架，往往半年后就成了包袱。