LangChain、LangGraph、Deep Agents：三者核心能力与选型指南

提到 AI Agent 开发，LangChain 是一个绕不过去的名字——它是目前 GitHub 上 stars 数最多的 Agent 开发框架之一（超过 10 万 ⭐），Klarna、Uber、LinkedIn 等大公司都在用它构建生产级应用。

但很多人没意识到的是，LangChain 生态早已不是“一个框架打天下”。在这个生态里，LangChain、LangGraph 和 Deep Agents SDK 扮演着完全不同的角色：LangChain 是 Framework（框架），负责提供开发抽象；LangGraph 是 Runtime（运行时），负责稳定运行和复杂编排；Deep Agents SDK 是 Harness（即“Agent 驾驭框架”），在最上层提供开箱即用的自主能力。三者不是“谁取代谁”的关系，而是分工协作——LangGraph 打底 → LangChain 提速 → Deep Agents 封顶。

不过，因为三者名字里都带“Lang”、文档又分布在同一个官网里，很多开发者刚入门时都会踩同一个坑：把它们当成互相竞争的框架来比较，反复纠结“该学哪个”“LangChain 是不是已经过时了”。这篇文章会带你从核心能力、适用场景到选型建议，彻底理清它们的真实关系。

---

一、🧩 LangChain：快速搭建 Agent 的框架

LangChain 是一个高阶开发框架，核心目标是让你用不到 10 行代码，就能连接各家大模型，搭出一个能调用工具的 Agent。

核心能力

能力	说明
标准化抽象	统一接入 OpenAI、Anthropic、Google 等模型，换模型几乎不用改代码
Agent 循环	封装了「模型推理 → 工具调用 → 结果返回」的标准流程
丰富集成	模型、向量库、文档加载器等生态非常完善
快速上手	提供预构建的 Agent 架构，复制粘贴就能跑

示例：构建一个天气查询 Agent

from langchain.agents import create_agent

def get_weather(city: str) -> str:
    """查询指定城市的天气。"""
    return f"{city} 今天晴朗，25°C"

# 创建一个 Agent：指定模型 + 工具 + 系统提示词
agent = create_agent(
    model="anthropic:claude-sonnet-4-6",
    tools=[get_weather],
    system_prompt="你是一个 helpful assistant",
)

# 运行 Agent
result = agent.invoke({
    "messages": [{"role": "user", "content": "北京天气怎么样？"}]
})

这个 Agent 是怎么工作的？

虽然代码只有几行，但底层的执行过程是一个循环的图结构：

1. 用户提问：“北京天气怎么样？”
2. 模型推理：模型判断需要调用 get_weather 工具来获取天气信息
3. 工具执行：LangChain 自动调用 get_weather("北京")，返回“北京 今天晴朗，25°C”
4. 生成回答：模型基于工具返回的结果，生成最终回答：“北京今天天气晴朗，气温 25°C，适合出门~”

这就是 LangChain 最核心的价值：你只需定义工具，剩下的「推理 → 选工具 → 执行 → 回答」循环，框架帮你自动完成。

当然，这只是一个最简示例。在实际项目中，你可以在此基础上进行更复杂的封装：

• 多轮对话：通过维护 messages 历史，让 Agent 具备上下文理解能力，能追问和澄清
• 记忆：接入向量数据库，让 Agent 记住用户偏好或过往对话中的关键信息
• 路由判断：在 Agent 循环前加入路由层，根据用户意图选择不同的工具集或子流程（比如先判断是「查天气」还是「订机票」，再走不同的逻辑分支）
• 工具链组合：将多个工具串联成工作流，前一个工具的输出作为后一个工具的输入

LangChain 提供的是「积木」，基础循环是搭好的，但上面的建筑需要你自己设计。

适合场景

• 快速验证一个 Agent 想法
• 团队需要统一的开发标准
• Agent 逻辑比较直接，就是「模型 + 工具」的循环调用

---

二、🔄 LangGraph：让 Agent 跑得稳的运行时

LangGraph 是一个底层的编排框架和运行时。它不关心你怎么写提示词，只专注于一件事——让 Agent 在复杂、长周期的任务里，跑得稳、断得了、续得上。

核心能力

能力	说明
持久执行	Agent 遇到故障能从上次状态恢复，长时间任务不怕中断
流式传输	支持工作流和响应的实时流式输出，提升用户体验
人机协同	随时让人类检查、修改 Agent 的状态，审批后再继续
全面记忆	短期工作记忆（单会话）+ 长期记忆（跨会话）
生产部署	被 Klarna、Uber、J.P. Morgan 等公司用于生产环境

示例：构建一个带分流判断的智能客服工作流

假设我们要做一个客服 Agent，它先理解用户问题，然后分流到三个不同的处理团队，最后统一生成回复：

• 技术问题（bug、报错、无法启动）→ 技术支持
• 售前问题（价格、优惠、购买）→ 售前咨询
• 其他问题（退款、投诉、使用帮助）→ 售后服务

在 LangGraph 中，你需要把每个处理步骤显式定义为节点，然后用边把它们连接起来。分流逻辑通过条件边实现——根据用户输入动态决定走哪个分支。整个流程编译成状态图后，支持持久化执行：即使服务器重启，也能用同一个 thread_id 从断点续跑。

这个工作流长什么样？

运行 workflow.compile() 后，LangGraph 会自动生成下面的流程图：

LangGraph 提供了什么？

• 图编排：整个流程被显式建模为「节点 + 边」，你可以精确控制每一步该做什么、下一步往哪走
• 条件分流：add_conditional_edges 让图根据状态动态选择分支，这是复杂工作流的核心能力
• 状态管理：MessagesState 在节点之间流转，每一步都可以读取和修改状态
• 持久化：MemorySaver 自动保存执行状态。如果服务器重启，只要用同一个 thread_id 就能从断点继续
• 人机协同：你可以在任意节点插入中断，让人类审批后再继续执行
• 流式输出：可以实时看到每个节点的执行进度，而不是等全部跑完才看到结果

LangGraph 把执行过程显式建模为「图」，节点是处理步骤，边是流转路径。这种方式让你对 Agent 的每一步都有完全的控制权，但也意味着你需要自己设计整个流程。

适合场景

• 任务运行周期长，需要故障恢复
• 需要对执行流程进行精细化控制
• 确定性流程与 Agent 决策混合的复杂编排
• 生产级部署

---

三、🚀 Deep Agents SDK：出厂即高配的 Agent Harness

Deep Agents SDK 被官方称为 Agent Harness（即“Agent 驾驭框架”）。它基于 LangChain 的核心构建块，使用 LangGraph 作为运行时，但在此基础上封装了大量面向复杂任务的自主能力。

核心能力

能力	说明
任务规划	自动维护待办清单，跟踪多步骤任务的执行进度
虚拟文件系统	读写文件、管理上下文，支持内存、本地磁盘、云端等多种后端
子 Agent 委派	像项目经理一样派活给子 Agent，保持上下文隔离
代码执行	在沙箱环境中运行 Shell 命令，安全执行代码
权限控制	声明式规则限制 Agent 能读写的文件范围
人机审批	敏感操作（如修改文件）需要人类确认
Skills 技能系统	按需加载专业技能，减少上下文占用
长期记忆	跨会话持久化记忆，Agent 能学习和进化

示例：构建一个能自主研究并写报告的 Agent

创建一个 Deep Agent 的方式和 LangChain 非常相似：指定模型、工具和系统提示词即可。但不同的是，你不需要写任何额外代码来管理规划、文件操作或子任务——Agent 接到复杂任务后会自主分解并调用内置能力完成。

Deep Agent 会怎么工作？

和你手动写代码不同，Deep Agent 接到任务后会自主规划并调用内置能力来完成：

1. 任务规划：Agent 自动创建待办清单（write_todos）
   • 搜索北京未来一周天气
   • 分析天气趋势
   • 撰写出行建议
   • 保存报告到文件

2. 信息收集：调用你提供的 search_web 和 get_weather 工具获取天气信息

3. 文件操作：Agent 使用内置的 write_file 将中间研究结果写入文件，避免占用上下文窗口

4. 子 Agent 委派（如果需要）：遇到复杂子任务时，Agent 可以调用 task 工具创建子 Agent 来处理（比如让子 Agent 专门分析降雨趋势），子 Agent 完成后返回一份精简报告

5. 生成最终报告：综合所有信息，生成出行建议，并用 write_file 保存到指定路径

Deep Agent 内置的核心能力具体包括：

内置能力	工作方式	解决的问题
任务规划	Agent 自动调用 write_todos 创建、更新待办清单	复杂任务不会遗漏步骤，执行过程透明可追踪
文件读写	自动调用 read_file/write_file/edit_file 操作文件	中间产物不用全塞在上下文里，大报告可以分段写入文件
记忆压缩	自动对过长的对话历史进行摘要和 offload，保持上下文在 token 限制内	长任务不会因为上下文爆炸而中断
子 Agent	自动调用 task 工具创建子 Agent 处理子任务，完成后返回精简结果	主 Agent 上下文保持干净，子任务并行执行提高效率
代码执行	在沙箱环境中调用 execute 运行 Shell 命令	Agent 可以安装依赖、运行脚本、验证代码
权限控制	按预设规则自动判断文件操作是否允许	防止 Agent 误删敏感文件或越权访问

所有这些能力都是开箱即用的——你不需要写一行额外代码。相比之下，用 LangChain 或 LangGraph 实现同样的功能，你需要自己集成文件系统、写规划逻辑、实现上下文压缩、管理子 Agent 的生命周期。

适合场景

• 复杂多步任务，需要自主规划和分解
• 需要和文件、代码、搜索产物打交道
• 想要编码 Agent / 自动编程助手
• 希望开箱即用，不重复造轮子

---

四、🔗 三者关系

层级	工具	角色	职责
上层	Deep Agents SDK	Harness	预置工具、规划能力、子 Agent、文件系统，面向复杂自主任务
中层	LangChain	Framework	标准抽象、模型集成、快速开发，面向快速搭建 Agent
底层	LangGraph	Runtime	持久执行、流式传输、人机协同、状态管理，面向稳定运行和编排

三者的关系可以概括为：LangGraph 打底 → LangChain 提速 → Deep Agents 封顶。 它们不是互斥选项，而是分工协作的关系：越往下越接近基础设施，越往上越接近开箱即用的应用。

---

五、📊 核心对比

维度	LangChain	LangGraph	Deep Agents SDK
定位	开发框架	运行时	Harness
核心目标	快速开发	稳定运行	自主执行
上手难度	简单	较复杂	简单
控制力	中等（预设架构）	完全自定义	中等（预置能力）
持久化/故障恢复	框架内置	原生支持	默认自带
文件系统	无	无	内置虚拟文件系统
任务规划	无	无	内置待办清单
子 Agent	无	支持（需自建）	内置 task 工具
代码执行	无	无	内置沙箱执行
Skills/记忆	无	基础接口	完整的技能和记忆系统

---

六、🎯 选型建议

你的需求	推荐选择
想快速验证 Agent 想法，10 分钟跑通	LangChain
团队需要统一开发标准	LangChain
Agent 逻辑简单，就是「模型 + 工具」循环	LangChain
长时间运行任务，要求故障恢复	LangGraph
需要精细控制每个执行步骤	LangGraph
确定性流程 + Agent 决策的混合编排	LangGraph
复杂多步任务，需要自主规划	Deep Agents SDK
需要和文件、代码、搜索打交道	Deep Agents SDK
想要编码 Agent / 自动编程助手	Deep Agents SDK
希望开箱即用，不重复造轮子	Deep Agents SDK

推荐演进路径

LangChain 入门 → LangGraph 加固 → Deep Agents 升级

1. 用 LangChain 快速验证想法，理解 Agent 的基本工作模式
2. 当 Agent 需要进入生产环境、要求可靠性时，下沉到 LangGraph 获得精细控制
3. 当任务足够复杂、需要自主规划时，升级到 Deep Agents 使用预置能力

当然，三者都是开源的，你也可以混搭使用。选型没有绝对的对错，适合你当前阶段和业务复杂度的，就是最好的。

---

📚 参考链接

1. LangChain Products & Concepts
2. LangChain Overview
3. LangGraph Overview
4. Deep Agents Overview