Практический decision framework выбора между LangChain chains и LangGraph для production AI-приложений, выработанный аудитами обоих в природе.
Ваш workflow реально линеен — RAG retrieve → augment → generate, или summarise → translate → format
Вы прототипируете и хотите выкатить полезное демо на этой неделе
Ваша команда нова в LLM-фреймворках и нужен low-friction старт
Вся фича достаточно мала, чтобы вы переписали её до того, как она станет сложной
Ваш workflow имеет любое agentic-поведение — tool use с re-entry, multi-step planning с self-correction, multi-agent collaboration
Вам нужна явная инспекция state и time-travel debugging
Вы строите фичу, которая будет жить в продакшене годами и расти capabilities со временем
Хотите first-class observability над workflow-графом, не только per-step трассы
Шаг 1 — Набросайте workflow на доске. Если можете нарисовать его как последовательность максимум с одним-двумя ветвлениями, LangChain нормален. Если есть циклы или условное re-entry, прыгайте к LangGraph.
Шаг 2 — Оцените lifespan фичи. Всё, что будет жить в продакшене больше шести месяцев и расти со временем, выигрывает от явного state LangGraph.
Шаг 3 — Учтите observability-нужды. Если client-facing AI-фиче нужна end-to-end traceability для compliance или trust, визуализация графа LangGraph оправдывает более крутую learning curve.
Шаг 4 — Не переоформляйте. Если можете выразить workflow как прямой Python или Go, зовущий model SDK напрямую — делайте так. Фреймворки окупаются, когда спасают вас от переимплементации graph или state machine семантики.
Шаг 5 — Миграция возможна. Команды, начавшие на LangChain и переросшие его, мигрируют на LangGraph успешно — но миграция — это реальный engagement, не rename. Планируйте явно, если стартуете на LangChain, зная, что workflow будет расти.
В production engagements, где LangChain chains были выдавлены за их естественный fit, симптом всегда одинаков — chain имеет вручную написанный loop или branching механизм внутри, который начался маленьким и теперь имеет квартал инцидентов, прилипших к нему. LangGraph сделал бы loop и state явными с первого дня, с долей операционной scar tissue. Наша рекомендация: если в скоупе есть любое agentic-поведение, дефолтьте на LangGraph, даже если первая версия — один линейный flow. Это самое дешёвое решение, когда workflow растёт, и не стоит ничего больше, когда остаётся маленьким.