DeepAgents vs LangChain, LangGraph 如何技术选型？
两个月前，LangChain 官方 “深度智能体（DeepAgents）”。这一术语由 LangChain 提出，特指能够在较长时间范围内完成复杂、开放式任务的智能体。当时 LangChain 推测，这类智能体包含四大核心要素：规划工具、文件系统访问权限、子智能体，以及详细的提示词。【AI大模型教程】
LangChain 已将 DeepAgents 作为 Python 包发布，该包已整合上述所有核心要素的基础功能。因此，你只需提供自定义工具和自定义提示词，就能轻松构建一个深度智能体（Deep Agent）。
目前，DeepAgents 已获得广泛关注与采用。如今，我们欣喜地宣布推出 0.2 版本，进一步加大对该项目的投入。本文将介绍 0.2 版本相较于初始版本的新增功能，以及何时应选择使用 deepagents（而非 langchain 或 langgraph）。
一、DeepAgents 可插拔后端（Pluggable Backends）
0.2 版本的核心新增功能是 “可插拔后端”。在此之前，DeepAgents 可访问的 “文件系统” 是一个 “虚拟文件系统”，它依赖 LangGraph 的状态（LangGraph State）来存储文件。
在 0.2 版本中，LangChain 新增了 Backend 抽象层，支持将任意系统接入作为 “文件系统”。内置的后端实现包括：
- LangGraph 状态（LangGraph State）
- LangGraph 数据存储（LangGraph Store，支持跨线程持久化）
- 实际本地文件系统（the actual local filesystem）
LangChain 还引入了 “复合后端（composite backend）” 的概念。借助这一功能，你可以先设置一个基础后端（例如：本地文件系统），再在特定子目录下映射其他后端。复合后端的典型应用场景是实现 “长期记忆” 功能：你可以将本地文件系统设为基础后端，同时将 /memories/ 目录下的所有文件操作映射到由 OSS（对象存储系统）比如：S3 支持的 “虚拟文件系统”。这样一来，智能体在该目录下添加的内容就能突破本地计算机的限制，实现持久化存储。
此外，你还可以自定义后端，在任意数据库或数据存储系统之上构建 “虚拟文件系统”；也可以通过继承现有后端，添加安全防护机制（例如：限制可写入文件的范围）、文件格式校验等功能。
二、DeepAgents 0.2 版本的其他新增功能
除可插拔后端外，0.2 版本还对 DeepAgents 进行了多项优化升级：
-
大型工具结果驱逐（Large tool result eviction）
当工具返回结果的令牌数超过设定阈值时，自动将结果转存至文件系统。
-
对话历史摘要（Conversation history summarization）
当对话历史的 Tokens 用量过大时，自动压缩早期对话内容。
-
未完成工具调用修复（Dangling tool call repair）
若工具调用在执行前被中断或取消，自动修复消息历史记录。
三、何时技术选择 DeepAgents？与 LangChain、LangGraph 的对比
DeepAgents 是 LangChain 重点投入的第三个开源库，但三者定位不同、各有侧重。为明确区分其用途，LangChain 倾向于这样定义：DeepAgents 是 “智能体工具（Agent Harness）”，LangChain 是 “智能体框架（Agent Framework）”，而 LangGraph 是 “智能体运行时环境（Agent Runtime）”。
三者的适用场景具体如下：
- 若你需要构建 “工作流与智能体结合” 的系统，LangGraph 是理想选择。
- 若你希望仅使用核心智能体循环（不依赖任何内置功能），并从零构建所有提示词与工具，LangChain 更适合。
- 若你需要构建自主性更强、运行时间更长的智能体，且希望直接利用规划工具、文件系统等内置功能，DeepAgents 是最佳方案。
从技术架构上看，三者呈层层依赖关系：DeepAgents 构建于 LangChain 的智能体抽象层之上，而 LangChain 的智能体抽象层又基于 LangGraph 的智能体运行时环境开发。
以上清晰呈现了它们在不同维度的差异。从定位来看，LangChain 属于 Framework（框架），LangGraph 是 Runtime（运行时），Deep Agents 则为 Harness（工具）。
核心价值上，LangChain 主打抽象与集成能力；LangGraph 侧重持久执行、流式处理、人在环路（HITL）及持久化功能；Deep Agents 拥有预定义工具、提示词和子智能体优势。
适用场景方面，LangChain 适合快速上手和标准化团队构建；LangGraph 适用于需要底层控制以及长期运行、有状态的工作流和智能体开发；Deep Agents 则在打造更具自主性的智能体，以及处理复杂、非确定性任务的智能体场景中更合适。
此外，根据公司的实际技术情况，也可以进行各工具的替代选择，LangChain 可替换为 Spring AI Alibaba、AI SDK、LlamaIndex 等，LangGraph 有 Temporal、Inngest 可选，Deep Agents 替代工具为 Claude Agent SDK 。
好了，这就是我今天想分享的内容。如果你对构建企业级 AI 大模型应用新架构设计和落地实践感兴趣，别忘了点赞、关注噢~
