1.1 LangChain vs LangGraph vs Deep Agents

本章将介绍 LangChain 生态中的三大框架：LangChain、LangGraph 和 Deep Agents，帮助你选择最适合的 AI 开发工具。

---

概览

LangChain 生态系统提供了多种构建 AI 应用的方式，每种都有其最佳使用场景：

框架	定位	最佳场景
LangChain	简单代理框架	快速构建简单 Agent 应用
LangGraph	复杂工作流框架	构建复杂、可控制的多步骤 Agent
Deep Agents	深度 Agent 模式	自主规划的子 Agent 协作系统

---

LangChain：简单 LLM 应用

LangChain 适合快速 Agent 和 LLM 链式应用的搭建场景

核心特性

LangChain v1.x 版本提供以下核心能力：

1. 标准模型接口 (Standard Model Interface)

LangChain 提供统一的接口支持多种 LLM 模型：

• OpenAI (GPT-4, GPT-4o)
• Anthropic (Claude 3.5, Claude 3 Opus)
• Google (Gemini)
• 更多...

2. 简单代理 Agent

只需 10 行代码即可创建一个完整的 Agent：

from langchain.agents import create_agent

def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

agent = create_agent(
    model="claude-sonnet-4-5-20250929",
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

3. 底层 LangGraph 支持

LangChain Agent 底层使用 LangGraph 实现，提供：

• 持久化执行：Agent 可以中断和恢复
• 人机协作：支持人工干预和审批流程
• 流式输出：实时获取中间结果

4. LangSmith 集成

LangSmith 提供完整的 Agent 生命周期管理：

• 执行链路追踪
• 调试和测试
• 性能监控分析

适用场景

最佳场景：

• 快速原型开发
• 简单的 Agent 应用
• 需要快速切换 LLM 模型
• 初学者学习 LLM 应用开发

---

LangGraph：复杂工作流框架

LangGraph 是一个用于构建复杂、可控制的多步骤 Agent 的图结构框架

核心概念

LangGraph 将 AI 工作流抽象为三个核心概念：

• 节点 (Node)：执行特定 Agent 任务
• 边 (Edge)：定义节点之间的执行流转逻辑
• 状态 (State)：在各节点间传递和共享数据

LangGraph 的设计灵感来自 Google 的 Pregel、Apache Beam 和 NetworkX 等图计算框架。

核心特性

1. 持久化执行 (Durable Execution)

Agent 可以在任意时刻中断和恢复，支持长时间运行的任务。

2. 人机协作 (Human-in-the-Loop)

支持在关键决策点暂停 Agent 执行，等待人工审批后继续。

3. 全面的记忆系统 (Comprehensive Memory)

支持多种类型的记忆：

• 短期记忆：对话上下文记忆
• 长期记忆：跨会话持久化

4. 流式中间步骤 (Streaming Intermediate Steps)

可以实时获取 Agent 中间执行步骤。

5. LangSmith 集成

完整的可观测性和调试工具支持。

快速开始

pip install -U langgraph

Hello World 示例：

from langgraph.graph import StateGraph, MessagesState, START, END

def mock_llm(state: MessagesState):
    return {"messages": [{"role": "ai", "content": "hello world"}]}

# 构建图
graph = StateGraph(MessagesState)
graph.add_node(mock_llm)
graph.add_edge(START, "mock_llm")
graph.add_edge("mock_llm", END)

# 编译运行
graph = graph.compile()
graph.invoke({"messages": [{"role": "user", "content": "hi!"}]})

适用场景

最佳场景：

• 构建复杂多步骤工作流
• 需要精确控制执行流程
• 需要长时间运行的任务
• 需要人机协作的应用
• Agent 协作场景

注意：LangGraph 是一个更底层的框架，学习曲线比 LangChain 的简单 Agent 更陡峭。

---

Deep Agents：深度 Agent 模式

Deep Agents 是一种能够自主规划和协调子 Agent 的高级模式

核心特性

1. 任务规划 (Planning and Task Decomposition)

Agent 通过 write_todos 工具进行：

• 复杂任务分解成小步骤
• 动态调整计划
• 跟踪进度

2. 上下文管理 (Context Management)

通过文件系统工具 (ls, read_file, write_file, edit_file) 让 Agent：

• 管理工作目录和文件
• 读取和修改代码
• 保持上下文一致性

3. 子 Agent 生成 (Subagent Spawning)

通过内置 task 工具：

• 创建独立子 Agent
• 并行执行任务
• 汇总多个子任务结果

4. 长期记忆 (Long-term Memory)

使用 LangGraph 的 Store 实现持久化存储：

• 跨会话保存知识和偏好
• 持续学习改进

适用场景

最佳场景：

• 需要自主规划的复杂任务
• 大型项目的自动化处理
• 需要协调多个子 Agent
• 需要长期记忆的应用

---

三者关系

                      LangSmith
          （监控、调试、评估、追踪）

                              ↑
                              │
                              ↓

        ↙                     ↓                     ↘

   LangChain          LangGraph         Deep Agents
   简单代理             图结构工作流       自主规划
   快速开发             精确流程控制       多子Agent协作


                              ↓
                              │
                              ↓

                        Agent 应用
                      （最终产品）

总结

1. LangChain 底层使用 LangGraph，但提供更简单的接口
2. Deep Agents 使用 LangGraph 的图结构执行，使用 LangChain 的工具和模型
3. 三个框架都使用 LangSmith 进行监控和调试

---

选型建议

需求场景	推荐框架
快速构建简单 Agent	LangChain
需要精确控制的复杂工作流	LangGraph
需要自主规划的多子 Agent	Deep Agents
生产环境部署	LangGraph + Agent Server
调试和监控	LangSmith

决策流程

你的需求是...

1. 简单的 Agent 功能？
   → 使用 LangChain

2. 复杂多步骤工作流？
   → 使用 LangGraph

3. 需要自主子 Agent 协作？
   → 使用 Deep Agents

4. 不确定具体需求？
   → 先从简单方案开始迭代

---

参考资料

• LangChain 官方文档
• LangGraph 官方文档
• LangChain GitHub
• LangGraph GitHub
• LangChain Academy

---

小结

本章介绍了 LangChain v1.x 生态系统的三大框架，理解它们的定位和适用场景，将帮助你在实际开发中做出正确的技术选型。

下一章：2.0 Get Started