LangChain 生态三兄弟：LangGraph、LangChain、DeepAgents

本文深入解析了LangChain生态系统中的三个核心组件：LangGraph、LangChain和DeepAgents，它们并非简单的替代关系，而是同一技术栈的三层抽象结构。从底层的LangGraph图运行时，到中间层的LangChain智能体框架，再到顶层的DeepAgents智能体套件，本文详细阐述了每一层的功能、适用场景以及它们之间的叠加关系。特别地，DeepAgents在LangChain之上提供了规划、文件系统、子智能体等面向长周期任务的能力，极大地简化了大模型开发流程。对于想要快速入门大模型开发的程序员来说，本文提供了一种按需降层的选型路径，帮助开发者根据任务复杂度选择合适的起点，逐步深入。

LangChain 生态里同时挂着三个名字：LangGraph、LangChain、DeepAgents。翻文档时你会发现，DeepAgents 的文档引用 LangChain，LangChain 的文档又指向 LangGraph，三者的功能描述高度重叠——都叫 agent，都支持 tool calling，都能流式输出。一个刚接触这套生态的工程师，想搞清楚"到底该用哪个"，往往在三个页面之间切来切去，越看越晕。

这个困惑的根源不在文档，而在于这三个名字根本不是同一层的东西。它们是同一技术栈的三个抽象层次，关系是叠加而非并列。一旦把层次关系理清，选型逻辑就自然浮出来了。

三层架构：LangGraph → LangChain → DeepAgents

整个 LangChain 生态可以看作一个三层结构，从底到顶，抽象程度递增、控制粒度递减：

┌─────────────────────────────────────────────────┐ │ DeepAgents（Agent Harness） │ ← 最高抽象，最少控制 │ 规划 + 文件系统 + 子智能体 + 上下文工程 + 记忆 │ ├─────────────────────────────────────────────────┤ │ LangChain（Agent Framework） │ ← 中间层 │ create_agent + 核心构建块（tools, prompts, LLM） │ ├─────────────────────────────────────────────────┤ │ LangGraph（Agent Runtime） │ ← 最低抽象，最多控制 │ 图运行时：状态管理 + 持久化 + 流式 + 检查点 │ └─────────────────────────────────────────────────┘

底层是 LangGraph，一个图运行时，负责状态管理、持久化、流式输出和检查点。中间层是 LangChain，在 LangGraph 之上提供create_agent以及工具、提示词、模型等核心构建块。顶层是 DeepAgents，在 LangChain 之上再封装一层，内置规划、文件系统、子智能体等面向长周期任务的能力。

一个关键特征：你可以在任意一层停下来。不需要每层都碰，也不需要从最底层开始搭。

LangChain 生态三层架构：LangGraph 图运行时 → LangChain 智能体框架 → DeepAgents 智能体套件

逐层拆解

LangGraph：图运行时

LangGraph 提供的是一套图构建 API：StateGraph、add_node、add_edge。你定义节点（每个节点是一段逻辑），定义边（节点之间的跳转条件），LangGraph 负责状态在节点间的流转、持久化和检查点恢复。

它适合的场景是：你有一个明确的流程图，需要分支和循环，需要把领域知识编码到图拓扑里。比如一个客服系统，根据意图分流到不同处理节点，某些节点需要循环执行直到满足条件。这种场景下，你对执行路径的控制力最强，确定性也最高。

LangChain：智能体框架

LangChain 在 LangGraph 之上提供create_agent，封装了模型调用、工具绑定、消息处理等常见模式。你不用手动画图，框架帮你生成一个标准的工具调用循环——模型决定调哪个工具，执行后把结果喂回模型，直到给出最终回答。

适合的场景是：轻量级智能体，快速搭建。比如一个能查数据库的问答助手，或者一个带两三个工具的 RAG agent。不需要规划，不需要文件系统，几轮对话就能完成任务。

DeepAgents：智能体套件

DeepAgents 是 2025 年 7 月发布的开源项目，灵感来自 Claude Code 和 Manus。它提供create_deep_agent，在最上层封装了一整套面向长周期、多步骤任务的能力。

适合的场景是：任务需要多步规划，中间产出需要存到文件，可能要派生子智能体并行处理，上下文可能超出模型窗口。比如"研究某领域最新进展并写一份报告"这种任务，智能体需要自己拆步骤、存草稿、读回草稿、汇总成文。DeepAgents 把这些都内置了。

逐层拆解：三层各自的核心 API、工作方式与典型场景

三者不是三选一

理解三层架构后，一个容易犯的错是把它们当竞品比较。实际上它们的关系链是：

deepagents → built on → langchain create_agent → built on → langgraph runtime

DeepAgents 构建在 LangChain 的create_agent之上，create_agent又构建在 LangGraph 的图运行时之上。三者完全可组合——你可以从 DeepAgents 开始，发现某个子流程需要自定义控制，就退回 LangGraph 直接画图；理论上也可以在 LangChain 的 agent 里引入 DeepAgents 的某个组件，不过目前公开资料中尚未见到相关示例。

这个"按需降层"的能力是选型的核心。不是从最底层开始搭才对，而是根据任务复杂度选择合适的起点，不够用时往下降一层。

DeepAgents 这一层到底加了什么

LangChain 的create_agent已经能跑工具调用循环了，DeepAgents 多出来的东西是什么？它内置了八项能力，这里挑四项展开。

Planning（任务规划）：智能体收到复杂任务后，先自动生成一份 TODO 列表，再逐步执行。通过TodoListMiddleware实现，加一个TodoListMiddleware就能启用。没有这一层，你需要自己在 prompt 里教模型规划，或者在应用代码里手动管理任务队列。

Filesystem（虚拟文件系统）：内置ls、read_file、write_file、edit_file、glob、grep六个工具。默认用 StateBackend，文件存在 LangGraph agent state 中，适合存中间结果，也可以换成持久化后端。对长任务来说，这解决了"中间产出放哪"的问题——智能体写完草稿存文件，后续步骤再读回来继续处理，不需要你在应用层维护状态。

Subagents（子智能体）：主智能体可以派生子智能体，每个子智能体有独立的 prompt 和工具子集。比如一个研究任务，主智能体派生"搜索员"和"分析师"，搜索员只配搜索工具，分析师不带工具只做推理。任务委派和并行执行都在框架内完成。

Context Engineering（上下文工程）：自动摘要和工具结果驱逐（eviction）。长任务跑着跑着 context window 会爆，DeepAgents 自动对历史消息做摘要，驱逐过期的工具结果，让 context 始终在窗口内。这一层在create_agent里没有。

其余四项——Long-term Memory（跨会话记忆）、Human-in-the-Loop（通过 LangGraph interrupts 实现审批）、Sandboxed Code Execution（沙箱代码执行）、Streaming（流式输出）——都是开箱即用，不需要自己实现。

DeepAgents 八项内置能力：四项展开讲，四项开箱即用

三行代码跑起来

看一个最简的 Hello World：

from deepagents import create_deep_agent # 创建 agent — 三行代码搞定 agent = create_deep_agent( model="openai:gpt-5.5", # 任何支持 tool calling 的 LLM tools=[], # 可选：自定义工具 system_prompt="You are a helpful research assistant." ) # 运行 agent result = agent.invoke({ "messages": [ {"role": "user", "content": "Research LangGraph and write a summary."} ] }) # 获取最终回复 print(result["messages"][-1].content) # 查看 agent 创建的文件 print(result["files"])

create_deep_agent返回的 agent 可以直接.invoke()，也可以流式调用。result["files"]是智能体在执行过程中通过虚拟文件系统创建的文件——即使你没配任何工具，文件系统也是默认启用的。

注意model="openai:gpt-5.5"这个写法。DeepAgents 支持任何实现 tool calling 的 LLM，换成 Anthropic、Google、Ollama、vLLM 只需改这一行。

确定性 vs 自主性：什么时候用哪层

把三层放在一条光谱上看：

最大确定性 最大自主性 (LangGraph) ───────────────── (LangChain) ───────────────── (DeepAgents) 领域知识编码到图拓扑 模型决定每步做什么 长周期自主运行 + 并行派生

LangGraph 这一端，你把领域知识写死在图拓扑里，执行路径几乎确定，模型只在节点内部做决策。DeepAgents 这一端，你给模型一个目标，它自己拆步骤、调工具、存文件、派子智能体，自主性最高。LangChain 在中间，模型决定每步调用哪个工具，但整体框架是标准的工具调用循环。

选型时可以按这条光谱定位：

• 简单 Q&A 或单工具调用 → LangChaincreate_agent，够用且轻量
• 需要分支、循环、状态的自定义工作流 → LangGraph，把控制力握在自己手里
• 长周期研究、代码生成、多步报告 → DeepAgents，开箱即用
• 需要人机协作审批 → DeepAgents 和 LangGraph 都支持 interrupts，DeepAgents 通过一行interrupt_on参数即可启用
• 生产部署 + 追踪监控 → 三层都可以配合 LangSmith

确定性 vs 自主性：三层在同一条光谱上的定位与选型

什么时候不该用 DeepAgents？几条判断标准：

• 只需一次 LLM + tool 调用 → LangChaincreate_agent更轻量
• 步骤固定无分支的线性流程 → LangChain chain 即可
• 需要完全控制执行图 → 直接上 LangGraph
• 轻量级聊天机器人 → 规划/文件系统/子智能体全是额外开销

一条可执行的选型路径

如果你正在这套生态里做技术选型，建议的判断顺序是：先用create_agent跑通原型——大部分场景在这一层就够了。如果任务需要多步规划或文件读写，加上 DeepAgents 的对应组件试试，create_deep_agent的默认配置就是为长周期任务优化的。只有当你发现框架自动生成的工具调用循环满足不了控制需求时，才退到 LangGraph 手动画图。

按需降层：从 create_agent 起步，不够用再降层的选型路径

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

适用人群

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】