LangChain vs 直接 API 调用对比指南

1. 基础架构对比

系统架构图

2. 连续对话能力对比

LangChain 连续对话实现

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain
from langchain.chat_models import ChatOpenAI
​
# 初始化对话记忆和模型
memory = ConversationBufferMemory()
llm = ChatOpenAI(temperature=0.7)
conversation = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=True
)
​
# 连续对话示例
response1 = conversation.predict(input="你好，我叫小明")
response2 = conversation.predict(input="我刚才说我叫什么？")  # 能够记住上下文

直接 API 连续对话实现

class Conversation:
    def __init__(self):
        self.messages = []
    
    def chat(self, message: str) -> str:
        # 添加用户消息
        self.messages.append({"role": "user", "content": message})
        
        # API 调用
        response = requests.post(
            "API_ENDPOINT",
            headers={"Authorization": f"Bearer {API_KEY}"},
            json={
                "messages": self.messages,
                "temperature": 0.7
            }
        )
        
        # 保存助手回复
        assistant_message = response.json()['choices'][0]['message']
        self.messages.append(assistant_message)
        
        return assistant_message['content']

# 使用示例
conversation = Conversation()
response1 = conversation.chat("你好，我叫小明")
response2 = conversation.chat("我刚才说我叫什么？")

对话流程图

3. 插件(Tools)能力对比

LangChain Tools 实现

from langchain.agents import load_tools, initialize_agent
from langchain.agents import AgentType
from langchain.tools import Tool
from langchain.utilities import GoogleSearchAPIWrapper
​
# 加载预定义工具
tools = load_tools(["google-search", "llm-math"])
​
# 自定义工具
def get_weather(location: str) -> str:
    """获取指定位置的天气信息"""
    # 实现天气查询逻辑
    return f"{location}的天气信息"
​
# 创建自定义工具
custom_tool = Tool(
    name="Weather",
    func=get_weather,
    description="获取指定位置的天气信息"
)
​
# 添加到工具列表
tools.append(custom_tool)
​
# 初始化 agent
agent = initialize_agent(
    tools, 
    llm, 
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)
​
# 使用 agent
response = agent.run("北京今天的天气怎么样？顺便帮我计算一下 23 * 45")

直接 API 实现插件功能

class APIWithTools:
    def __init__(self):
        self.tools = {
            "weather": self.get_weather,
            "calculator": self.calculate,
            "search": self.search
        }
    
    def get_weather(self, location: str) -> str:
        # 实现天气查询逻辑
        return f"{location}的天气信息"
    
    def calculate(self, expression: str) -> str:
        # 实现计算逻辑
        return str(eval(expression))
    
    def search(self, query: str) -> str:
        # 实现搜索逻辑
        return f"搜索结果: {query}"
    
    def process_with_tools(self, message: str) -> str:
        # 调用API判断是否需要使用工具
        response = requests.post(
            "API_ENDPOINT",
            json={
                "messages": [{"role": "user", "content": message}],
                "tools": list(self.tools.keys())
            }
        )
        
        # 如果需要使用工具，先执行工具调用
        if "tool_calls" in response.json():
            tool_results = []
            for tool_call in response.json()["tool_calls"]:
                tool_name = tool_call["name"]
                tool_args = tool_call["arguments"]
                result = self.tools[tool_name](**tool_args)
                tool_results.append(result)
            
            # 将工具结果发送给API
            final_response = requests.post(
                "API_ENDPOINT",
                json={
                    "messages": [
                        {"role": "user", "content": message},
                        {"role": "assistant", "content": "工具调用结果：" + str(tool_results)}
                    ]
                }
            )
            return final_response.json()["choices"][0]["message"]["content"]
        
        return response.json()["choices"][0]["message"]["content"]

工具调用流程图

API工具调用

LangChain工具调用

4. 记忆系统对比

记忆类型图

5. 选择建议

功能需求矩阵

6. 注意事项

7. 性能对比

响应时间对比

8. 开发效率对比

开发时间估算

LangChain 通过提供现成的组件大大减少了开发时间，特别是在实现复杂功能时。而直接 API 调用虽然前期开发较快，但随着功能复杂度增加，开发时间会显著增长。