--- title: "LangChain или LangGraph: что лучше для скрапинга с прокси?" description: "Сравниваем LangChain и LangGraph в задачах веб-скрапинга: как они работают с прокси серверами, управляют ретраями и строят сложные пайплайны сбора данных." image: https://blog.froxy.com/hubfs/blog/langchain-vs-langgraph-for-scraping/langchain-vs-langgraph-for-scraping.png --- Продукты - [Резидентные прокси](https://froxy.com/ru/residential-proxies) - [Мобильные прокси](https://froxy.com/ru/mobile-proxies) - [Серверные прокси](https://froxy.com/ru/datacenter-proxies) Цены - [Резидентные прокси](https://froxy.com/ru/residential-proxies/pricing) - [Мобильные прокси](https://froxy.com/ru/mobile-proxies/pricing) - [Серверные прокси](https://froxy.com/ru/datacenter-proxies/pricing) [Локации](https://froxy.com/ru/locations) Русский - [English](https://blog.froxy.com/en/langchain-vs-langgraph-for-scraping?hsLang=en) - [Русский](https://blog.froxy.com/ru?hsLang=ru) [![Вход](https://hubspot-no-cache-eu1-prod.s3.amazonaws.com/cta/default/25353777/628aa0b1-d701-49a3-9fc1-64cf181b50a5.png)](https://hubspot-cta-redirect-eu1-prod.s3.amazonaws.com/cta/redirect/25353777/628aa0b1-d701-49a3-9fc1-64cf181b50a5) [![Регистрация](https://hubspot-no-cache-eu1-prod.s3.amazonaws.com/cta/default/25353777/526abaec-b188-4330-8b34-97e181ba893d.png)](https://hubspot-cta-redirect-eu1-prod.s3.amazonaws.com/cta/redirect/25353777/526abaec-b188-4330-8b34-97e181ba893d) - [Прокси](https://blog.froxy.com/ru/tag/прокси) - [Парсинг](https://blog.froxy.com/ru/tag/парсинг) - [Кейсы](https://blog.froxy.com/ru/tag/кейсы) - [Новости](https://blog.froxy.com/ru/tag/новости) - [Приватность и безопасность](https://blog.froxy.com/ru/tag/приватность-и-безопасность) - [Антидетект](https://blog.froxy.com/ru/tag/антидетект) - [Данные и аналитика](https://blog.froxy.com/ru/tag/данные-и-аналитика) - [AI](https://blog.froxy.com/ru/tag/ai) - [Поиск](https://blog.froxy.com/hs-search-results?hsLang=ru) - Русский - [English](https://blog.froxy.com/en/langchain-vs-langgraph-for-scraping?hsLang=en) - [Русский](https://blog.froxy.com/ru?hsLang=ru) - Продукты - [Резидентные прокси](https://froxy.com/ru/residential-proxies) - [Мобильные прокси](https://froxy.com/ru/mobile-proxies) - [Серверные прокси](https://froxy.com/ru/datacenter-proxies) - Цены - [Резидентные прокси](https://froxy.com/ru/residential-proxies/pricing) - [Мобильные прокси](https://froxy.com/ru/mobile-proxies/pricing) - [Серверные прокси](https://froxy.com/ru/datacenter-proxies/pricing) - [Локации](https://froxy.com/ru/locations) - [![Вход](https://hubspot-no-cache-eu1-prod.s3.amazonaws.com/cta/default/25353777/8d0caf92-c619-4aca-a35e-94e08ab2d732.png)](https://hubspot-cta-redirect-eu1-prod.s3.amazonaws.com/cta/redirect/25353777/8d0caf92-c619-4aca-a35e-94e08ab2d732) - [![Регистрация](https://hubspot-no-cache-eu1-prod.s3.amazonaws.com/cta/default/25353777/466a3309-1a3b-40b0-9230-bf10233341cd.png)](https://hubspot-cta-redirect-eu1-prod.s3.amazonaws.com/cta/redirect/25353777/466a3309-1a3b-40b0-9230-bf10233341cd) 1. [Блог](https://blog.froxy.com/ru?hsLang=ru) 2. LangChain vs. LangGraph для скрапинга. Какой фреймворк лучше? Парсинг # LangChain vs. LangGraph для скрапинга. Какой фреймворк лучше? Сравниваем LangChain и LangGraph в задачах веб-скрапинга: как они работают с прокси серверами, управляют ретраями и строят сложные пайплайны сбора данных. Команда Froxy 7 авг. 2025 7 мин [Facebook](http://www.facebook.com/share.php?u=https://blog.froxy.com/ru/langchain-vs-langgraph-for-scraping?utm_medium=social&utm_source=facebook) [linkedIn](http://www.linkedin.com/shareArticle?mini=true&url=https://blog.froxy.com/ru/langchain-vs-langgraph-for-scraping?utm_medium=social&utm_source=linkedin) [Twitter](https://twitter.com/intent/tweet?original_referer=https://blog.froxy.com/ru/langchain-vs-langgraph-for-scraping?utm_medium=social&utm_source=twitter&url=https://blog.froxy.com/ru/langchain-vs-langgraph-for-scraping?utm_medium=social&utm_source=twitter&source=tweetbutton&text=) ![LangChain vs. LangGraph для скрапинга. Какой фреймворк лучше?](https://blog.froxy.com/hubfs/blog/langchain-vs-langgraph-for-scraping/langchain-vs-langgraph-for-scraping.png) - [Что такое LangChain и LangGraph и чем они отличаются друг от друга](https://blog.froxy.com/ru/langchain-vs-langgraph-for-scraping#comparison) - [Парсинг с помощью LangChain: возможности и ограничения](https://blog.froxy.com/ru/langchain-vs-langgraph-for-scraping#langchain-scraping) - [Скрапинг с LangGraph: больше контроля, меньше абстракции](https://blog.froxy.com/ru/langchain-vs-langgraph-for-scraping#langgraph-scraping) - [LangChain против LangGraph: когда и что использовать для парсинга](https://blog.froxy.com/ru/langchain-vs-langgraph-for-scraping#cases) - [Заключение и рекомендации](https://blog.froxy.com/ru/langchain-vs-langgraph-for-scraping#conclusion) Мы неоднократно рассказывали о библиотеках и фреймворках, которые ускоряют разработку парсеров, например, для [Python](https://blog.froxy.com/ru/python-web-scraping-libraries?hsLang=ru), [Java](https://blog.froxy.com/ru/java-web-scraping-libraries?hsLang=ru) и [Golang](https://blog.froxy.com/ru/golang-scraper-why-go-and-the-best-libraries-to-use-for-parsing?hsLang=ru). Существуют разные подходы — от простейших HTTP-клиентов, которые умеют читать только «голый» HTML, до максимально сложных алгоритмов, которые включают в себя компьютерное зрение и помощь искусственного интеллекта (ИИ). В этом материале расскажем о наиболее продвинутых фреймворках для интеграции больших языковых моделей (LLM) в ваши парсеры — LangChain vs LangGraph. ## Что такое LangChain и LangGraph и чем они отличаются друг от друга Напомним, ИИ бывает разным. Нейросети, которые работают с текстовым содержимым, называются LLM. Они умеют не только генерировать текст или давать краткие ответы по существу, но и выполнять простые задания: анализировать текст из документов и выдавать по нему краткую справку, изучать содержимое HTML-кода и извлекать конкретное содержимое, а также многое другое. Нас, как можно догадаться из контекста, интересует всё, что связано с [парсингом](https://blog.froxy.com/ru/what-is-data-parsing-definition-and-benefits/?hsLang=ru). Многие современные нейросети работают в виде общедоступных web-сервисов и имеют свой API-интерфейс. Отдельные нейросети уже обзавелись возможностью обработки документов и файлов, включая изображения, презентации, PDF, аудио, видео и пр. Но, в любом случае, при работе по API они имеют свои ограничения. Основная проблема — токенизация. Условно: каждый новый запрос LLM воспринимает как новый (без учёта истории обращений). А так как объём запроса лимитирован неким количеством токенов (токены выступают скорее в роли слов, хотя алгоритм их расчёта выглядит немного сложнее). В итоге получается, что при отправке большого запроса к LLM нужно: - разбить его на составляющие (в соответствии с лимитами по токенам) - и сохранить историю (чтобы LLM не потеряла контекст). За это отвечают так называемые чанки (в англ. chains), то есть цепочки запросов. Для удобства автоматизации работы с цепочками запросов нужен специальный софт или библиотеки. И вот тут мы подходим к потребности в LangChain и LangGraph ### Вкратце о LangChain ![langchain](https://blog.froxy.com/hs-fs/hubfs/blog/langchain-vs-langgraph-for-scraping/langchain.png?width=1548&height=400&name=langchain.png) LangChain— это фреймворк для создания цепочек (chains) вызовов языковых моделей и интеграции их с внешними инструментами: базами данных, парсерами, API и т.п. На текущий моменте LangChain реализован в виде самостоятельных библиотек (для языков программирования Python, JavaScript и TypeScript), а также в виде готовой платформы (web-сервиса, который работает по API, имеет все необходимые интеграции и готовые инструменты для оркестрации и оценивания — в надёжном облаке, удобном для корпоративного применения). **Основные возможности (функционал) LangChain:** - Открытый код библиотеки и лицензия MIT. - Простая интеграция с популярными LLM (языковыми моделями), а также с внешними источниками данных. В доступе более 600 вариантов готовых интеграций: Groq, OpenAI, Google Gemini, YandexGPT, xAI и пр. - Создание последовательных цепочек вызовов LLM (например, вопрос, поиск в интернете, ответ) и токенизация. Возможно даже объединение нескольких моделей для решения одной задачи. - Возможность создания корпоративных баз знаний (RAG, Retrieval-Augmented Generation) на основе предоставленных документов и информации. - Сохранение истории диалога (обеспечение предметной «памяти» нейросети и учёта контекста), поддержка векторных хранилищ и хранилищ типа «ключ-значение». - Создание агентов, которые могут выбирать наиболее подходящие инструменты для своей работы. Если упростить ещё, то LangChain — это минимальная база для продвинутой интеграции LLM в свои скрипты и программы. Например, на её основе создаются более сложные решения, в том числе и с использованием систем оркестрации, таких как LangGraph. ### Вкратце о LangGraph ![langgraph](https://blog.froxy.com/hs-fs/hubfs/blog/langchain-vs-langgraph-for-scraping/langgraph.png?width=1548&height=400&name=langgraph.png) LangGraph — это фреймворк для быстрого и удобного проектирования агентов LangChain. Именно LangGraph берёт на себя всё, что связано с созданием точек входа и выхода, проектированием фоновых задач, контролем состояний, масштабированием и отказоустойчивостью. Грубо говоря, это готовая реализация типовых агентов на базе существующих LLM, которые быстро можно перенастроить под себя или под нужды своих проектов. В итоге можно сосредоточиться не на написании всего с нуля, а только на конфигурировании логики. Как и LangChain, библиотека LangGraph распространяется по модели с исходным кодом, по лицензии MIT. Не стоит путать фреймворк LangGraph и платформу LangGraph, Платформа — это уже готовая облачная инфраструктура со своими подписками и тарифами. Она имеет закрытый исходный код. Специально для удобного визуального проектирования логики LLM-агентов предоставляется среда разработки (IDE-система) — LangGraph Studio. Она предназначена для установки на ПК. В коммерческой версии платформы LangGraph есть облачная реализация LangGraph Studio. ### LangChain vs LangGraph — различия Итак, LangChain — это фреймворк для интеграции LLM в свои скрипты и программы, некая база, с которой может начаться разработка сложных цепочек обмена данными. LangChain выступает в роли прослойки, отвечающей за подключение LLM. А LangGraph — это инструмент для проектирования LLM-агентов, технически это тоже фреймворк. Он работает поверх LangChain и позволяет быстрее запускать типовые задачи. Самая главная функция — оркестрация большого числа ИИ-агентов. **Технические различия LangChain vs LangGraph:** - Архитектура LangChain выстроена вокруг последовательных цепочек (последовательных шагов). А архитектура LangGraph — вокруг графа состояний. Узлы в графе могут иметь несколько переходов и условий. - В LangGraph условия и циклы встроены в архитектуру. Можно задать, что делать при ошибке, как повторить шаг или куда перейти в зависимости от результата. В LangChain аналогичное поведение тоже программируется, но достаточно сложно. В итоге, если вам нужно только подключить LLM и организовать разбивку больших объёмов данных на цепочки, то стоит использовать LangChain. Если вам нужно быстро и точно спроектировать своего LLM-агента или большое число таких агентов (с оркестрацией), то тут уже логично задействовать LangGraph. ## Парсинг с помощью LangChain: возможности и ограничения ![LangChain scraping](https://blog.froxy.com/hs-fs/hubfs/blog/langchain-vs-langgraph-for-scraping/langchain-scraping.png?width=1548&height=436&name=langchain-scraping.png) Библиотека LangChain сама по себе ничего не парсит. Она отвечает за взаимодействие с нейросетями. А вот нейросети в свою очередь можно привлечь к задачам извлечения данных, Например, для поиска закономерностей (выявления CSS-классов, идентификаторов и специфических атрибутов, помогающих вычленить нужный HTML-элемент и его содержимое), распознавания изображений, их обработки (в том числе для поиска образов и объектов на картинках/видео), транскрибации аудио и т.п. Предметные примеры ИИ-скраперов в материале про [ИИ скрапинг](https://blog.froxy.com/ru/ai-web-scraping-with-chatgpt?hsLang=ru). **Возможности LangChain скрапинга:** - Организация выборки содержимого конкретных элементов из чистого или подготовленного HTML-кода. - Настройка сложной логики с выбором дальнейших шагов: какой из алгоритмов парсинга нужно задействовать в зависимости от содержимого страницы (скачивание видео, [распознавание изображений](https://blog.froxy.com/ru/screen-scraping-what-it-is-and-how-it-works?hsLang=ru), поиск цены/описаний товаров, извлечение мета-тегов и т.п.). - Построение последовательных цепочек обработки: поиск контента, создание списка страниц для обхода, обход (извлечение). - Задействование сразу нескольких внешних нейросетей (у каждой из них могут быть свои наборы промтов для конкретных прикладных задач). - Разбивка больших объёмов данных и чанки (сериализация), работа с историей запросов/контекстом. Ограничения LangChain скрапинга: - Сама библиотека не умеет рендерить страницы или извлекать HTML-код с указанных URL-адресов. Соответственно, нужны дополнительные библиотеки и инструменты: HTTP-клиенты, [headless-браузеры](https://blog.froxy.com/ru/headless-browser-what-is-it-and-how-to-use-it-for-scraping?hsLang=ru), веб-драйверы, такие как [Puppeteer](https://blog.froxy.com/ru/puppeteer-web-scraping-guide?hsLang=ru), [Playwright](https://blog.froxy.com/ru/web-scraping-with-playwright?hsLang=ru), [Selenium](https://blog.froxy.com/ru/selenium-proxy?hsLang=ru) и т.п. - Всю работу в реальности выполняют нейросети. А они либо требуют оплаты за доступ к API, либо дорого обходятся при локальном запуске (нужно высокопроизводительное оборудование, особо это касается видеоускорителей и вместительных жёстких дисков, желательно твердотельных — для максимальной скорости). - Чтобы сэкономить на токенах (а именно они используются для оценки работы ИИ), нужно детально поработать над предварительной подготовкой содержимого, которое отправляется в нейросеть. Всё это повышает сложность скрипта и «обвязки» для LangChain-скрапинга. - В некоторых случаях, когда вы работаете только с одной нейросетью/агентом, проще написать свой коннектор для API, чем использовать LangChain в роли прослойки. ### Инструменты и агенты для парсинга с помощью LangChain LangChain позволяет стандартизировать синтаксис обращения к LLM. Специально для этого из коробки предлагаются: готовые пакеты интеграции, базовые абстракции (langchain-core), цепочки, агенты и инструменты (tools), отвечающие за построение когнитивной архитектуры вашего приложения. К инструментам, которые облегчают процесс парсинга через LangChain, можно отнести: - Готовые методы для работы со структурированными данными (JSON, XML, YAML и т.п.) и встроенные инструменты для анализа/разборки текста сообщений LLM. - Управление нагрузкой и скоростью запросов по API. - Подсчёт используемых токенов. - Разбивка на чанки — для отправки больших текстов и HTML-страниц. - Быстрая смена промтов (по ситуации). - Локальное кэширование ответов нейросетей. ### Поддержка прокси в LangChain Так как LangChain не работает с web-сайтами напрямую, ему не нужны прокси. Но если вы пишите комплексный парсер, то ему однозначно потребуются прокси. Дело в том, что многие целевые сайты активно защищаются от ботов и автоматического трафика. Чтобы обойти их защиту, могут потребоваться разные средства и подходы. [Ротируемые прокси](https://blog.froxy.com/ru/rotating-proxy?hsLang=ru) с точным геотаргетингом — одно из самых надёжных средств, которое может работать в тесной связке с другими. Самый логичный подход — управлять прокси на уровне HTTP-клиента, которым вы пользуетесь для подключения к целевым сайтам. Например, если вы работаете в среде Node.js, то вам нужно настроить прокси для node-fetch. Если работаете через [антидетект-браузер](https://blog.froxy.com/ru/antidetect-browsers-overview?hsLang=ru) или через headless-браузер, то прокси нужно установить для них (с помощью плагинов или специальных переменных/API). ### Простой агент скрапинга LangChain через прокси Вполне дееспособный скрипт парсинга на языке Python. Он обеспечивает настройку и работу LangChain через [прокси-сервер](https://froxy.com/ru/residential-proxies): `import sqlite3``import json``import time``from selenium import webdriver``from selenium.webdriver.chrome.options import Options``from langchain.llms import OpenAI``from langchain.agents import initialize_agent, Tool, AgentType``# -------------------------------``# Настройка базы данных SQLite``# -------------------------------``conn = sqlite3.connect("products.db")``cursor = conn.cursor()``cursor.execute('''``CREATE TABLE IF NOT EXISTS products (``id INTEGER PRIMARY KEY AUTOINCREMENT,``url TEXT,``title TEXT,``price TEXT,``description TEXT``)``''')``conn.commit()``# -------------------------------``# Настройка Selenium с прокси``# -------------------------------``chrome_options = Options()``chrome_options.add_argument("--headless")``proxy = "http://username:password@your_proxy_ip:port" # Если без логина: "http://ip:port"``chrome_options.add_argument(f'--proxy-server={proxy}')``driver = webdriver.Chrome(options=chrome_options)``# -------------------------------``# Настройка LLM``# -------------------------------``llm = OpenAI(model_name="gpt-4o", temperature=0)``# -------------------------------``# Функция для парсинга HTML через LLM``# -------------------------------``def extract_product_data(html_content: str) -> str:``prompt = f"""``Вот HTML содержимое страницы товара:``{html_content}``Вытащи из него название товара, цену и описание. Отдай ответ строго в формате JSON, например:````Отвечай только JSON без лишнего текста.``"""``response = llm(prompt)``return response``# -------------------------------``# Описание инструмента для агента``# -------------------------------``extract_tool = Tool(``name="ExtractProductData",``func=extract_product_data,``description="Извлекает название, цену и описание товара из HTML страницы и возвращает JSON"``)``# -------------------------------``# Инициализация агента``# -------------------------------``agent = initialize_agent(``tools=[extract_tool],``llm=llm,``agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,``verbose=True``)``# -------------------------------``# Функция парсинга страницы``# -------------------------------``def parse_product(url):``driver.get(url)``time.sleep(3) # Ждём рендер, в секундах``html = driver.page_source``# Запрос к агенту``query = f"Используй инструмент ExtractProductData, чтобы извлечь данные о товаре из этого HTML: {html}"``response = agent.run(query)``try:``data = json.loads(response)``title = data.get("title", "")``price = data.get("price", "")``description = data.get("description", "")``except json.JSONDecodeError:``print(f"JSON parsing error for {url}")``return None``# Сохраняем в БД``cursor.execute('INSERT INTO products (url, title, price, description) VALUES (?, ?, ?, ?)',``(url, title, price, description))``conn.commit()``print(f"Data saved for page: {url}")``return data``# -------------------------------``# Список страниц для парсинга``# -------------------------------``urls = [``"https://example.com/product/1",``"https://example.com/product/2",``# Добавьте свои URL``]``for u in urls:``parse_product(u)``# -------------------------------``# Завершаем работу``# -------------------------------``driver.quit()``conn.close()` Этот скрипт последовательно обходит список целевых страниц с задействованием прокси и headless-браузера через веб-драйвер Selenium. HTML-код страниц передаётся на анализ в LLM, а та, в соответствии с промтом, возвращает ответ в JSON-формате. Со страниц извлекаются названия товаров, их цена и описание. Данные сохраняются в базу SQlite. ## Скрапинг с LangGraph: больше контроля, меньше абстракции ![langgraph scraping](https://blog.froxy.com/hs-fs/hubfs/blog/langchain-vs-langgraph-for-scraping/langgraph-scraping.png?width=1548&height=436&name=langgraph-scraping.png) LangGraph работает в паре с LangChain. Это своего рода настройка, которая облегчает построение сложных ИИ-агентов. ### Почему LangGraph подходит для сложных рабочих процессов парсинга - LangGraph позволяет создавать гибкие многоступенчатые сценарии, которые легко описываются визуальными блок-схемами. Собственно, как раз для этой задачи есть специальный софт — LangGraph Studio. Архитектуру приложения легко переделать или доработать под новые задачи. - В наличии поддержка условных переходов. Например, можно задать условия выбора тех или иных сценариев: пропуск парсинга, работа через прокси при наличии капчи (или принудительная ротация) и т.п. - Циклы и повторы для типовых действий. - Поддержка многопоточности. - Адекватный контроль состояния агента: доступен он или занят. Легко можно понять на каком шаге общий процесс. - Готовые шаблоны приложений — для работы с памятью, с поиском и т.п. ### Прокси в LangGraph: практическая настройка Как и в случае с LangChain, прокси в LangGraph не работают из коробки. Их нужно добавлять только на уровне HTTP-клиентов (приложений и библиотек, которые отвечают за подключение к целевым сайтам): - [requests](https://blog.froxy.com/ru/python-requests-proxy?hsLang=ru) и node-fetch, - Playwright, Selenium, Puppeteer, - переменные среды, - настройки хоста (операционной системы), - headless-браузер/антидетект (через который осуществляется подключение). ### Узел LangGraph + настройка прокси Пример кода на Python — парсинг с LangGraph через прокси: `import requests``import random``from langgraph.graph import StateGraph, END``# --- Состояние, которое передаётся между узлами ---``class ScraperState:``def __init__(self, url="", html="", proxy_used=""):``self.url = url``self.html = html``self.proxy_used = proxy_used``# --- Список прокси для ротации ---``proxy_list = [``"http://user:pass@ip1:port",``"http://user:pass@ip2:port",``"http://user:pass@ip3:port",``]``# --- Узел LangGraph: запрос страницы через прокси ---``def fetch_page_with_proxy(state: ScraperState):``# Выбираем случайный прокси``proxy = random.choice(proxy_list)``proxies = {``"http": proxy,``"https": proxy,``}``try:``print(f"Using proxy: {proxy}")``response = requests.get(state.url, proxies=proxies, timeout=10)``state.html = response.text``state.proxy_used = proxy``except Exception as e:``print(f"Request error with proxy {proxy}: {e}")``state.html = ""``state.proxy_used = proxy``return state``# --- Создаём граф ---``graph = StateGraph(ScraperState)``graph.add_node("fetch_with_proxy", fetch_page_with_proxy)``graph.set_entry_point("fetch_with_proxy")``graph.add_edge("fetch_with_proxy", END)``compiled_graph = graph.compile()``# --- Запуск графа ---``start_state = ScraperState(url="https://example.com")``final_state = compiled_graph.invoke(start_state)``print("Final HTML snippet:", final_state.html[:500])``print("Proxy used:", final_state.proxy_used)` Пара слов о логике работы скрипта с ротацией прокси в LangGraph: - Узел — это функция, которая принимает состояние (в нашем случае State), делает запрос к целевому URL через прокси и возвращает обновлённое состояние. - Прокси: может быть фиксированный или ротироваться из списка. - В примере используем библиотеку requests, так как это самый простой вариант HTTP-клиента (для демонстрации). ## LangChain против LangGraph: когда и что использовать для парсинга Итак, можно заметить, что ни LangGraph, на LangChain не умеют работать с прокси. Всё из-за того, что эти библиотеки не умеют обращаться к сайтам и веб-ресурсам напрямую. Им обязательно нужны посредники. Их фишка — работа с нейросетями и LLM. И здесь они действительно повышают продуктивность, особенно если речь о сложной архитектуре или о большом количестве LLM. ### Выберите LangChain, если хотите обслуживать простые цепочки действий. Этот фреймворк идеально подходит для реализации прослойки, отвечающей за подключение и «общение» в любыми нейросетями. В наборе её возможностей масса мелких профильных инструментов, которые вы получаете в режиме одного окна. Нужно посчитать токены, разбить на чанки, задать разные промты для разных задач? Без проблем. Но LangChain — это «база», поэтому с ней удобно работать только по линейным сценариям парсинга. ### Выберите LangGraph, если хотите выстроить сложную логику Этот фреймворк дополняет LangChain и облегчает создание кастомных условий, переходов и циклов между разными сценариями и узлами. Соответственно, в LangGraph можно описать (или спроектировать) максимально сложный парсер. И LangGraph, и LangChain могут использоваться в вашем проекте параллельно. Более того, тот же разработчик предлагает ряд вспомогательных продуктов, но уже на коммерческой основе — это LangSmith и LangGraph Platform (готовая облачная платформа). ## Заключение и рекомендации ![LangGraph и LangChain](https://blog.froxy.com/hs-fs/hubfs/blog/langchain-vs-langgraph-for-scraping/conclusion.png?width=1548&height=634&name=conclusion.png) Парсинг становится сложнее и часто требует участия ИИ/нейросетей. Чтобы не писать своих коннекторов и не запутаться в синтаксисе отдельных внешних сервисов, можно воспользоваться слоем абстракции, который реализуется фреймворком LangChain. Он облегчает взаимодействие с 600+ внешними инструментами: векторные хранилища, базы данных, системы кеширования и т.п. Но самый главный элемент — LLM (большие языковые модели). Если вам нужно что-то большее, чем линейные скрипты обработки цепочек запросов, то можно добавить в свой парсер фреймворк LangGraph. Он отвечает за создание графов и позволяет выстраивать сложные многоуровневые рабочие процессы с разными условиями переходов и циклами. Нельзя сказать, что в сравнении LangChain vs LangGraph кто-то будет лучше. У каждой библиотеки своя сфера применения. Ни LangChain, ни LangGraph не умеют работать с прокси. Всё из-за того, что у них нет интерфейса для прямого обращения к веб-ресурсам. Тем не менее, прокси критически необходимы любому парсеру. Как и с помощью чего интегрировать прокси в LangChain или в LangGraph мы рассказали выше. ###### Резидентные Прокси Подключайтесь к глобальной сети прокси и собирайте данные без блокировок. [Начать с триала](https://froxy.com/ru/residential-proxies) $1.99, 100Mb ### Получайте уведомления о новых функциях и обновлениях Froxy Узнайте первыми о новых функциях Froxy, чтобы оставаться в курсе событий происходящих на рынке цифровых технологий и получать новости о новых функциях Froxy. ## Статьи по Теме ![Будущее веб-скрапинга: ИИ-боты, Captcha v4 и эволюция антискрапинговых мер](https://blog.froxy.com/hubfs/blog/web-scraping-future/web-scraping-future.png) Парсинг ### Будущее веб-скрапинга: ИИ-боты, Captcha v4 и эволюция антискрапинговых мер Узнайте, как ИИ меняет веб-скрапинг, что нового в Captcha v4 и какие антибот-меры влияют на автоматизированный сбор данных. Как подстроится под новые... Команда Froxy 4 сент. 2025 6 мин ![Парсим как профи! Лучшие практики для веб-скрапинга без блокировок](https://blog.froxy.com/hubfs/blog/the-essential-guide-to-successful-web-scraping/scrape-like-a-pro.png) Парсинг ### Парсим как профи! Лучшие практики для веб-скрапинга без блокировок Узнайте, как собирать данные с сайтов и снизить риск блокировок. Разбираем принципы ответственного веб-скрапинга: частоту запросов, повторы и... Команда Froxy 14 дек. 2023 6 мин Лучшие резидентные и мобильные прокси в своем классе [mailto:support@froxy.com](mailto:support@froxy.com) [![TrustPilot](https://blog.froxy.com/hs-fs/hubfs/trustpilot-2.png?height=22&name=trustpilot-2.png) ![4.7](https://cdn.trustpilot.net/brand-assets/4.1.0/stars/stars-4.5.svg) 4.7](https://www.trustpilot.com/review/froxy.com) Продукты [Резидентные прокси](https://froxy.com/ru/residential-proxies) [Мобильные прокси](https://froxy.com/ru/mobile-proxies) [Серверные прокси](https://froxy.com/ru/datacenter-proxies) Кейсы [Мониторинг цен](https://froxy.com/ru/use-cases/price-monitoring) [Маркетинг](https://froxy.com/ru/use-cases/market-research) [Социальные тренды](https://froxy.com/ru/use-cases/social-listening) [Сбор данных](https://froxy.com/ru/use-cases/web-scraping) [SEO Мониторинг](https://froxy.com/ru/use-cases/seo-monitoring) Компания [Цены](https://froxy.com/ru/get-started) [О нас](https://froxy.com/ru/about) [Отдел продаж](https://froxy.com/ru/contact-us) [Поддержка](https://froxy.com/ru/contact-us) Ресурсы [Интеграции](https://froxy.com/ru/integrations) [Локации](https://froxy.com/ru/locations) [Партнерство](https://froxy.com/ru/referral-system) [Помощь](https://help.froxy.com/ru?hsLang=ru) [Способы оплаты](https://froxy.com/ru/payment-methods) Copyright © 2021 – 2026. Wergames OÜ. All rights reserved. Harju maakond, Tallinn, Kesklinna linnaosa, Endla tn 4, 10142 [Terms of Use](https://froxy.com/ru/terms-of-use) [Privacy Policy](https://froxy.com/ru/privacy-policy) [Cookie Policy](https://froxy.com/ru/cookie-policy) [Refund & Cancellation Policy](https://froxy.com/ru/refund-policy) [SLA](https://froxy.com/ru/service-level-agreement)