同事：“AI 时代你还在用 Java 的 LangGraph4J 不切到 Python 吗？”我笑了：“Codex+Claude Code 啥语言不行？Agent根本不在乎。”

大家好，我是二哥呀。

AI 时代，我碰到不少小伙伴还在纠结是学 Java 还是学 Python，要我说，编程语言只是载体，根本不用在乎学哪一门。

因为 Agent 哪一门语言都精通啊。

不管是 Claude Code 还是 Codex，写出来的代码已经超过 99.9% 的程序员了。

这一点毋庸置疑。

只要有这两个 Agent，任何一个人都可以成为顶级的全栈工程师。

看看，这是我刚刚刚用 Codex 一句话复刻的 dify 前端，PaiAgent 的颜值一下子就提高了一大截。

ps：PaiAgent 是我在 GitHub 开源的一个 Vibe Coding 项目，一直没怎么宣传，也有 300 多 star 了。

选 Python 还是 Java？

我们只需要考虑一件事，原有的项目是用 Java 写还是 Python 写。或者说，面试官是 Java 出身的多，还是 Python 出身的多，因为当前的面试场景还是会考察八股的。

Java 生态的 AI 基建，已经补上来了。

Spring AI 已经很强，LangChain4j 拿到了 4.9k 星标，LangGraph4j 也到了 1.6k 星标。

该有的都有了。

01、LangChain4j

先说 LangChain4j，因为它是基础。

LangChain4j 是 Python LangChain 的 Java 移植版，定位是“通用 LLM 集成工具箱”。它解决的核心问题是：怎么在 Java 项目里方便地调用大模型。

它干的事情包括：

①、统一 API 调用——不管底层是 OpenAI、通义千问、DeepSeek 还是智谱，上层代码写法一致。切换模型供应商只需要改配置，业务代码不动。

②、Tool 注册——用 @Tool 注解把 Java 方法标记为“可被 LLM 调用的工具”。模型需要查天气就调天气方法，需要查数据库就调查询方法。Function Calling 的 Java 实现。

③、RAG 检索——集成了 20 多种 Embedding 存储（Milvus、Pinecone、Qdrant 等），帮你做文档切分、向量化、相似度检索。

④、Prompt 模板——变量替换、Few-shot 示例管理。

⑤、会话记忆——管理多轮对话的上下文窗口。

对于“调一次模型拿结果”“做一个简单的 RAG 问答”“注册几个 Tool 让模型自己选”这些场景，LangChain4j 完全够用。

但如果需求变成：“Agent 先搜索，根据搜索结果判断是否需要追问，追问后再总结，总结质量不够就重新搜索。”这种多步骤、有条件分支、有循环的复杂流程，LangChain4j 就力不从心了。

因为 LangChain4j 的执行模式是链式的（Chain），本质上是一条直线。你可以加 if-else，但那是硬编码的控制流，不够灵活。

这就是 LangGraph4j 出场的理由。

LangGraph4j 解决的是“怎么编排多个 Agent 协作”的问题。状态图、条件路由、循环重试、检查点恢复，这些能力 LangChain4j 做不了，LangGraph4j 做得到。

截至 2026 年 5 月，LangGraph4j 在 GitHub 上拿到了 1.6k 星标，最新版本 1.8.14（2026-04-27 发布）。MIT 协议，最低要求 Java 17。

它和 LangChain4j 不是竞争关系，是上下层关系。

LangGraph4j 官方是这样解释的：designed to work seamlessly with both LangChain4j and Spring AI。

画一张图帮大家建立直觉：

LangChain4j 只能走直线，LangGraph4j 能走图。图意味着可以有分支、有循环、有并行。

打个比方：LangChain4j 是高速公路，从入口到出口只有一条路。LangGraph4j 是城市路网，每个路口都能根据路况选择走哪条路，还能掉头。

我们的 PaiAgent（派聪明的工作流引擎）用的就是这套组合——Spring AI 充当 LangChain4j 的角色负责底层模型调用，LangGraph4j 负责顶层的工作流编排。

面试官问 LangGraph4j，一定会追问三个东西：

StateGraph、AgentState、Edge。

这三个概念就是底层执行模型的全部。

StateGraph 是整张图的定义。我们在上面注册节点、连边、设置入口出口，最后调 compile() 编译成一个不可变的 C...