LangChain and LangGraph are both open source frameworks designed to help developers build applications with large language models. So what are the differences and why use one over the other?

Well, I think a good place to start is to define what these two things are, and let's begin with LangChain.

Now, we've done a dedicated video on LangChain, and my guess is there's probably a pop up somewhere over my head right now encouraging you to watch that video.

But don't click, not yet. Give me a moment to summarize LangChain.

Then at the end of this video, if you want any more, you can go back and check that one out. Okay. Now, at its core, LangChain is a way for building LLM powered applications by executing a sequence of functions in a chain.

So let's say we're building an application and the first thing it needs to do is it needs to retrieve some data from a website.

Once we've done that, we move on to stage two, and stage two is to summarize that data that we retrieved.

And then finally, we're going to use this summary to do something, specifically, we're going to have it answer user questions.

So the workflow here is retrieve, summarize, and answer. Now we can use the LangChain to help us do this. So let's start with the retrieve component.

Now, the retrieve component might consist of a LangChain component called a document loader. Now a document loader is used to fetch and load content from various data sources, and if some of those documents are large, we might choose to use a text splitter, which is another LangChain component to split takes up into smaller, semantically meaningful chunks.

Okay, that's retrieve. Now to summarize, we would use a chain, and the chain will orchestrate the summarization process.

Now, that might include constructing a prompt component to instruct an LLM to perform the summarization. And that might also contain an LLM component to pass that request to the large language model of our choosing.

Okay, and then answer. Well, we would build another chain and this chain might include a memory component, so this is another component of LangChain, and that's used to store conversation, history and context, And we'd throw in another prompt component and another LLM component to generate the answer based on the summary and the record context.

And the cool thing here is that the LLM that we use for the answer component, may be a completely different large language model to the one we use in the summarize component.

LangChain's modular architecture lets build complex workflows by combining these high level components. Okay, now let's introduce LangGraph.

LangGraph is a specialized library within the LangChain ecosystem, specifically designed for building stateful multi-agent systems that can handle complex nonlinear workflows.

So let's consider a task management assistant agent. Now, the workflow here involves processing user input. So let's start there, process inputs, And then to this workflow we are going to allow to add tasks, we're going to be able to complete tasks, and we are also going to be able to summarize task.

So this is the kind of the architecture of what we're trying to build here. Now, LangGraph helps us create this as a graph structure, where each one of these actions is considered as a node.

So add tasks, complete tasks, summarize, they're all nodes.

And then the transitions between these things, that's known as edges. Now the central node is the process input node. So that's where the user input comes in, and that's going to use an LLM component to understand the user intent and to route to the appropriate action node.

Now there's another component here that's quite central to this called state, the state component.

And the state component is used to maintain the task list across all the interaction. So the adds task node adds new tasks to the state, the complete task node marks tasks as finished, and then the summarize node uses an LLM to generate an overview of current tasks.

All nodes can access and modify the state allowing for contextual stateful interactions. The graph structure allows the assistant to handle various user requests in any order, always returning back to the process input node after the action is complete.

LangGraph architecture lets us create flexible stateful agents that can maintain context over extended interactions.

So let's directly compare LangChain and LangGraph across a number of dimensions. Let's start with the primary focus.

Now the primary focus of LangGraph is to create and manage what is known as multi agent systems and workflows. The focus of LangChain is to provide an abstraction layer for chaining LLM operations into large language model applications.

That's the difference between the two. Now, as for structure, LangChain adopts, no surprise here, a chain structure.

And that acts as a DAG, that is an acronym for directed acyclic graph, which means that tasks are executed in a specific order always moving forward.

So, for example, we start with task number one, then we'd have a branch for maybe tasks number two and task three, and then we'd come back to the central task number four.

And this process is great where you know the exact sequence of steps that are needed.

Now, LangGraph's graph structure, on the other hand, is a little bit different because it allows for loops and revisiting previous states.

So we might have state A which can go backwards and forwards with state B and state C, and this is beneficial for interactive systems where the next step might depend on evolving conditions or user input.

Now, when it comes to components, LangChain uses a bunch, and we've mentioned many of these already. That includes memory. There's the prompt component as well. There's also the LLM component, which is how we actually pass things to the large language model.

And there's the agent component as well that forms chains between all of these things.

Now, LangGraph uses a bunch of different components. So we have nodes, we also have edges, and we have states, and these are all part of a graph.

And speaking of state, that brings us nicely to state management. I don't think we can say that LangChain has somewhat limited state management capabilities.

It can pass information forth through the chain, but it doesn't easily maintain a persistent state across multiple runs. That said, LangChain does have these memory components that can maintain some state across interactions.

LangGraph's state management, I'm going to say, is more robust, and that's because state is a core component that all nodes can access and modify, allowing for more complex, context-aware behaviors.

Let's say use cases. Well, LangChain really excels, particularly at sequential tasks like a process that retrieves data and then processes it and then outputs a result.

Again, that said, LangChain is able to handle non-sequential tasks to some extent with its own agents feature, but LangGraph's wheelhouse, that really is scenarios that have a much more complex nature to them.

Complex systems requiring ongoing interaction and adaptation. For example, a virtual assistant that needs to maintain context over long conversations and handle varying types of requests.

So that's LangChain and LangGraph, two powerful frameworks for building applications that make use of large language models. All right. That's all I got.

You can go watch that LangChain video now.

LangChain vs LangGraph: A Tale of Two Frameworks

Whether it’s AI, automation, cybersecurity, data science, DevOps, quantum computing or anything in between, we provide educational content on the biggest topics in tech. Subscribe to build your skillset, learn about new trends, and gain insights from IBM experts. 

This channel follows the IBM Social Computing Guidelines.



IBM Technology

✨ LangChain vs. LangGraph: 주요 차이점

LangChain과 LangGraph는 대규모 언어 모델(LLM)을 활용하는 애플리케이션 구축을 돕는 **강력한 오픈소스 프레임워크**입니다. 이들은 LLM 기반 앱 개발이라는 공통 목표를 가지고 있지만, 구조, 기능, 그리고 가장 적합한 사용 사례에서 중요한 차이점을 보입니다. 이 글에서는 두 프레임워크의 주요 특징과 강점을 비교 분석하여, 어떤 상황에서 어떤 프레임워크를 선택해야 할지 명확히 제시합니다.

🔗 LangChain: 체인 방식의 LLM 애플리케이션

LangChain은 LLM 기반 애플리케이션을 구축하는 핵심 방식으로 **함수 시퀀스를 체인 형태로 실행**합니다. 이는 일련의 단계가 순차적으로 진행되는 경우에 특히 효과적입니다. 예를 들어, 웹사이트에서 데이터를 검색하고, 요약한 다음, 사용자 질문에 답변하는 워크플로우를 생각해 볼 수 있습니다.

LangChain은 **모듈식 아키텍처**를 통해 다양한 고수준 컴포넌트를 조합하여 복잡한 워크플로우를 구축할 수 있게 합니다. 여기에는 문서 로더(document loader)로 데이터를 가져오거나, 텍스트 스플리터(text splitter)로 긴 텍스트를 분할하는 기능이 포함됩니다. 요약 및 답변 과정에서는 프롬프트 컴포넌트(prompt component)로 LLM에 지시를 내리고, LLM 컴포넌트(LLM component)를 통해 요청을 전달하며, 메모리 컴포넌트(memory component)로 대화 기록과 컨텍스트를 저장할 수 있습니다. 각 단계에 **서로 다른 LLM을 사용할 수 있다는 점**도 특징입니다.

LangChain은 **지정된 순서로 작업이 실행되는 DAG(Directed Acyclic Graph) 구조**를 채택합니다. 즉, 작업이 항상 앞으로 진행되며 순환되지 않습니다. 예를 들어, 태스크 1에서 시작하여 태스크 2와 3으로 분기한 다음, 다시 중앙 태스크 4로 돌아오는 형태입니다.

🌀 LangGraph: 복잡하고 상태 저장 방식의 멀티 에이전트 시스템

LangGraph는 **LangChain 생태계 내의 전문 라이브러리**로, 복잡한 비선형 워크플로우를 처리할 수 있는 **상태 저장 멀티 에이전트 시스템** 구축에 특화되어 있습니다. 이는 순환 및 이전 상태 재방문이 가능한 그래프 구조를 허용하여, 다음 단계가 진화하는 조건이나 사용자 입력에 따라 달라지는 대화형 시스템에 유용합니다.

LangGraph는 각 동작을 노드(nodes)로, 노드 간의 전환을 엣지(edges)로 간주하는 **그래프 구조**를 사용합니다. 핵심 컴포넌트는 모든 노드가 접근하고 수정할 수 있는 **상태(state)**입니다. 이 상태는 상호작용 전반에 걸쳐 태스크 목록을 유지하는 데 사용되며, **LangChain에 비해 더 강력한 상태 관리 기능**을 제공합니다.

LangGraph는 특히 **지속적인 상호작용과 적응이 필요한 복잡한 시나리오**에 적합합니다. 예를 들어, 긴 대화에서 컨텍스트를 유지하고 다양한 유형의 요청을 처리해야 하는 가상 비서와 같은 시스템에 매우 유용합니다. **상태를 유지하는 유연한 에이전트**를 만들 수 있게 해줍니다.

⚖️ LangChain과 LangGraph의 직접 비교

두 프레임워크의 주요 차이점을 요약하자면 다음과 같습니다.

LangGraph의 주요 초점은 **멀티 에이전트 시스템 및 워크플로우를 생성하고 관리**하는 것입니다. 반면, LangChain의 초점은 **LLM 작업을 LLM 애플리케이션으로 연결하기 위한 추상화 계층을 제공**하는 것입니다.

LangChain은 **순차적인 태스크**에 탁월하며, 데이터 검색-처리-결과 출력과 같은 정해진 순서의 프로세스에 강합니다. 물론 에이전트 기능을 통해 어느 정도 비순차적 태스크도 처리할 수 있지만, LangGraph가 이 분야의 강자입니다. LangGraph는 **복잡하고 지속적인 상호작용과 적응이 필요한 시나리오**에 적합하며, 컨텍스트를 유지해야 하는 가상 비서 등에 활용될 수 있습니다.

상태 관리 측면에서 LangChain은 체인 내에서 정보를 전달할 수 있지만, 여러 실행에 걸쳐 **영구적인 상태를 쉽게 유지하지 못하는 제한적인 기능**을 가집니다. 반면 LangGraph는 **상태가 모든 노드가 접근하고 수정할 수 있는 핵심 컴포넌트**이므로, 더 견고하고 복잡한 컨텍스트 인식 동작이 가능합니다.

간단히 말해, **명확한 순차적 흐름을 가진 LLM 기반 애플리케이션**을 구축한다면 **LangChain**이 적합합니다. 반면, **복잡하고 비선형적인 상호작용, 동적인 상태 관리, 그리고 멀티 에이전트 시스템**이 필요하다면 **LangGraph**가 더 강력한 솔루션을 제공할 것입니다. 두 프레임워크 모두 강력하지만, 프로젝트의 특정 요구사항에 따라 최적의 선택이 달라질 수 있습니다.

LangChain과 LangGraph는 모두 개발자가 대규모 언어 모델로 애플리케이션을 구축할 수 있도록 설계된 오픈 소스 프레임워크입니다. 그렇다면 차이점은 무엇이며 왜 하나를 다른 하나보다 우선적으로 사용해야 할까요?

글쎄요, 이 두 가지가 무엇인지 정의하는 것으로 시작하는 것이 좋을 것 같고, LangChain부터 시작해 보겠습니다.

이제 LangChain에 대한 전용 비디오를 만들었고, 지금 내 머리 위에 팝업이 떠서 그 비디오를 보라고 권장할 것 같습니다.

하지만 클릭하지 마세요. 아직은 안 돼요. LangChain을 요약할 시간을 주세요.

그런 다음 이 비디오가 끝나면 더 많은 것을 원하시면 다시 돌아가서 확인해 보세요. 좋습니다. 핵심적으로 LangChain은 체인에서 일련의 함수를 실행하여 LLM 기반 애플리케이션을 구축하는 방법입니다.

애플리케이션을 구축하고 있고 가장 먼저 해야 할 일은 웹사이트에서 데이터를 검색하는 것이라고 가정해 보겠습니다.

일단 그렇게 하면 2단계로 넘어갑니다. 2단계는 검색한 데이터를 요약하는 것입니다.

그런 다음 마지막으로 이 요약을 사용하여 무언가를 할 것입니다. 구체적으로 사용자 질문에 답변하도록 할 것입니다.

여기서 워크플로는 검색, 요약, 답변입니다. 이제 LangChain을 사용하여 이 작업을 수행할 수 있습니다. 검색 구성 요소부터 시작하겠습니다.

이제 검색 구성 요소는 문서 로더라고 하는 LangChain 구성 요소로 구성될 수 있습니다. 이제 문서 로더는 다양한 데이터 소스에서 콘텐츠를 가져오고 로드하는 데 사용되며, 이러한 문서 중 일부가 큰 경우 텍스트 분할기(또 다른 LangChain 구성 요소)를 사용하여 의미적으로 의미 있는 더 작은 청크로 분할할 수 있습니다.

좋습니다. 검색입니다. 이제 요약하려면 체인을 사용하고 체인은 요약 프로세스를 오케스트레이션합니다.

여기에는 LLM에 요약을 수행하도록 지시하는 프롬프트 구성 요소 구성이 포함될 수 있습니다. 또한 선택한 대규모 언어 모델에 해당 요청을 전달하는 LLM 구성 요소가 포함될 수도 있습니다.

좋습니다. 그리고 답변입니다. 글쎄요, 다른 체인을 구축할 것이고 이 체인에는 메모리 구성 요소가 포함될 수 있습니다. 따라서 이것은 LangChain의 또 다른 구성 요소이며 대화, 기록 및 컨텍스트를 저장하는 데 사용됩니다. 또한 다른 프롬프트 구성 요소와 다른 LLM 구성 요소를 추가하여 요약 및 기록 컨텍스트를 기반으로 답변을 생성합니다.

여기서 흥미로운 점은 답변 구성 요소에 사용하는 LLM이 요약 구성 요소에 사용하는 LLM과는 완전히 다른 대규모 언어 모델일 수 있다는 것입니다.

LangChain의 모듈식 아키텍처를 통해 이러한 고급 구성 요소를 결합하여 복잡한 워크플로우를 구축할 수 있습니다. 자, 이제 LangGraph를 소개하겠습니다.

LangGraph는 LangChain 생태계 내의 특화된 라이브러리로, 복잡한 비선형 워크플로우를 처리할 수 있는 상태 저장 다중 에이전트 시스템을 구축하도록 특별히 설계되었습니다.

작업 관리 지원 에이전트를 생각해 봅시다. 여기서 워크플로우는 사용자 입력 처리와 관련이 있습니다. 그러니 사용자 입력 처리부터 시작해 보겠습니다. 그리고 이 워크플로우에 작업을 추가하고, 작업을 완료하고, 작업 요약을 할 수 있도록 할 것입니다.

이것이 여기서 구축하려는 아키텍처의 종류입니다. LangGraph는 이러한 각 작업을 노드로 간주하는 그래프 구조로 이를 만드는 데 도움이 됩니다.

작업 추가, 작업 완료, 요약, 이 모든 것이 노드입니다.

그리고 이러한 것들 간의 전환을 엣지라고 합니다. 여기서 중앙 노드는 프로세스 입력 노드입니다. 사용자 입력이 들어오는 곳이며, LLM 구성 요소를 사용하여 사용자 의도를 파악하고 적절한 작업 노드로 라우팅합니다.

여기에는 상태 구성 요소라는 또 다른 중요한 구성 요소가 있습니다.

상태 구성 요소는 모든 상호 작용에서 작업 목록을 유지하는 데 사용됩니다. 작업 추가 노드는 상태에 새 작업을 추가하고, 작업 완료 노드는 작업을 완료된 것으로 표시한 다음, 요약 노드는 LLM을 사용하여 현재 작업에 대한 개요를 생성합니다.

모든 노드는 컨텍스트 상태 저장 상호 작용을 위해 상태에 액세스하고 수정할 수 있습니다. 그래프 구조를 통해 어시스턴트는 다양한 사용자 요청을 어떤 순서로든 처리할 수 있으며, 작업이 완료된 후에는 항상 프로세스 입력 노드로 돌아갑니다.

LangGraph 아키텍처를 사용하면 확장된 상호 작용에서 컨텍스트를 유지할 수 있는 유연한 상태 저장 에이전트를 만들 수 있습니다.

LangChain과 LangGraph를 여러 측면에서 직접 비교해 보겠습니다. 우선 주요 초점부터 시작하겠습니다.

LangGraph의 주요 초점은 다중 에이전트 시스템 및 워크플로우로 알려진 것을 만들고 관리하는 것입니다. LangChain의 초점은 LLM 작업을 대규모 언어 모델 애플리케이션으로 연결하기 위한 추상화 계층을 제공하는 것입니다.

이것이 둘의 차이점입니다. 구조에 관해서는 LangChain은 당연히 체인 구조를 채택합니다.

그리고 이것은 DAG, 즉 방향성 비순환 그래프 역할을 하는데, 이는 작업이 항상 앞으로 이동하면서 특정 순서로 실행된다는 의미입니다.

예를 들어, 작업 번호 1부터 시작하여 작업 번호 2와 작업 3에 대한 분기가 있고, 중앙 작업 번호 4로 돌아갑니다.

그리고 이 프로세스는 필요한 단계의 정확한 순서를 알 때 유용합니다.

반면에 LangGraph의 그래프 구조는 루프와 이전 상태 재방문을 허용하기 때문에 약간 다릅니다.

따라서 상태 A는 상태 B 및 상태 C와 함께 앞뒤로 이동할 수 있으며, 이는 다음 단계가 진화하는 조건이나 사용자 입력에 따라 달라질 수 있는 대화형 시스템에 유용합니다.

이제 컴포넌트에 관해서는 LangChain은 많은 것을 사용하며, 이미 많은 것을 언급했습니다. 여기에는 메모리가 포함됩니다. 프롬프트 컴포넌트도 있습니다. 또한 대규모 언어 모델에 실제로 전달하는 방법인 LLM 컴포넌트도 있습니다.

그리고 이러한 모든 것 사이의 체인을 형성하는 에이전트 컴포넌트도 있습니다.

이제 LangGraph는 다양한 컴포넌트를 사용합니다. 노드, 에지, 상태가 있으며, 이들은 모두 그래프의 일부입니다.

그리고 상태에 대해 말하자면, 상태 관리로 자연스럽게 이어집니다. LangChain은 다소 제한적인 상태 관리 기능을 가지고 있다고 말할 수 있을 것 같습니다.

체인을 통해 정보를 전달할 수 있지만 여러 실행에서 지속적인 상태를 쉽게 유지하지는 않습니다. 즉, LangChain에는 상호 작용에서 일부 상태를 유지할 수 있는 이러한 메모리 컴포넌트가 있습니다.

LangGraph의 상태 관리는 더 강력하다고 말할 수 있습니다. 상태는 모든 노드가 액세스하고 수정할 수 있는 핵심 컴포넌트이므로 더 복잡하고 상황에 맞는 동작이 가능합니다.

사용 사례를 살펴봅시다. LangChain은 데이터를 검색한 다음 처리하고 결과를 출력하는 프로세스와 같은 순차적 작업에서 특히 뛰어납니다.

LangChain은 자체 에이전트 기능을 통해 어느 정도 비순차적 작업을 처리할 수 있지만 LangGraph의 영역은 훨씬 더 복잡한 특성을 가진 시나리오입니다.

지속적인 상호 작용과 적응이 필요한 복잡한 시스템. 예를 들어, 긴 대화에서 컨텍스트를 유지하고 다양한 유형의 요청을 처리해야 하는 가상 어시스턴트입니다.

자, 지금까지 LangChain과 LangGraph, 거대 언어 모델을 활용하는 애플리케이션을 구축하기 위한 두 가지 강력한 프레임워크에 대해 알아봤습니다. 좋아요, 제가 준비한 내용은 여기까지입니다.

이제 LangChain 관련 영상을 시청해 보세요.

LangChain과 LangGraph 프레임워크 소개 및 LangChain 설명 시작

LangChain과 LangGraph는 대규모 언어 모델(LLM) 애플리케이션 구축을 위한 오픈소스 프레임워크임.

LangChain은 기능 체인 실행을 통해 LLM 기반 애플리케이션을 구축하는 방식임. 예시: 검색, 요약, 답변.

LangChain은 문서 로더, 텍스트 스플리터, 프롬프트, LLM, 메모리 등 다양한 구성 요소를 사용함.

LangGraph 소개 및 LangChain과의 차이점 개요

LangGraph는 LangChain 생태계 내의 특수 라이브러리로, 복잡하고 비선형적인 워크플로우를 처리하는 상태 저장 다중 에이전트 시스템을 구축하도록 설계됨.

LangGraph는 각 동작이 노드(예: 작업 추가, 작업 완료, 요약)로 간주되고 노드 간의 전환이 엣지로 알려진 그래프 구조를 사용함.

LangGraph에서 상태(state)는 모든 노드가 접근하고 수정할 수 있는 핵심 구성 요소로, 상호 작용 전반에 걸쳐 작업 목록을 유지함.

LangGraph의 주요 초점은 다중 에이전트 시스템 및 워크플로우를 생성하고 관리하는 것임.

LangChain의 초점은 LLM 작업을 LLM 애플리케이션으로 연결하기 위한 추상화 계층을 제공하는 것임.

LangChain은 DAG(방향성 비순환 그래프)와 같은 체인 구조를 채택하여 작업이 항상 앞으로 진행되는 특정 순서로 실행됨.

LangGraph의 그래프 구조는 루프 및 이전 상태 재방문을 허용하여 진화하는 조건 또는 사용자 입력에 따라 다음 단계가 달라질 수 있는 대화형 시스템에 유용함.

LangGraph는 노드, 엣지, 상태와 같은 구성 요소를 사용하며, 이들은 모두 그래프의 일부임.

LangChain은 체인을 통해 정보를 전달할 수 있지만, 여러 실행에 걸쳐 영구적인 상태를 쉽게 유지하지 못함. 반면 LangGraph의 상태 관리는 더 강력함.

LangChain은 데이터 검색, 처리 및 결과 출력과 같은 순차적 작업에서 탁월함.

LangGraph는 지속적인 상호 작용 및 적응이 필요한 복잡한 시스템(예: 긴 대화에서 컨텍스트를 유지해야 하는 가상 비서)과 같은 복잡한 시나리오에 적합함.

LangChain과 LangGraph는 LLM 애플리케이션 구축을 위한 강력한 프레임워크임.

LangChain vs LangGraph: A Tale of Two Frameworks

LangChain vs LangGraph: A Tale of Two Frameworks

스크립트