别只盯着 LangChain！带你起底 LangGraph 和 DeepAgents：Agent 真正落地生产环境的必经之路

LangChain-AI 技术调研报告

本文是一份 系统性、工程导向的 LangChain-AI 技术调研报告 ，从 整体技术体系、设计理念、核心能力、工程特性、应用架构与生态对比 等多个维度，全面分析 LangChain、LangGraph 与 DeepAgents 。

一、技术体系总体概览

LangChain-AI 将智能体系统拆分为三个层级：

flowchart TB
    A[LLM Providers] --> B[LangChain Agent & App DSL]
    B --> C[LangGraph Stateful Runtime]
    C --> D[DeepAgents Autonomous Agent Harness]

    style B fill:#E3F2FD
    style C fill:#E8F5E9
    style D fill:#FFF3E0

LangChain：Agent 与 LLM 应用的开发框架（DSL 层）
LangGraph：Agent 的执行引擎与状态运行时（Runtime 层）
DeepAgents：面向长期自治任务的高阶 Agent 工具箱（Harness 层）

二、LangChain

官方资源：

项目主页：github.com/langchain-a…
官方文档（Python）：docs.langchain.com/oss/python/…
Chat Models：docs.langchain.com/oss/python/…
Agents：docs.langchain.com/oss/python/…

2.1 技术定位与设计目标

LangChain 是一个 面向 LLM 应用与 Agent 的开发框架（Developer‑Facing Framework），其核心设计目标是：

降低 LLM 应用与 Agent 的开发门槛
提供统一、可组合的抽象层（模型 / Prompt / Tool / Agent）
让开发者专注“Agent 能做什么”，而不是“底层如何接模型”

LangChain 并不试图解决执行可靠性、状态持久化等问题，而是将这些职责下沉给 LangGraph。

2.2 能力模块

1. 标准化 LLM / ChatModel 接口

通过 chat_models 统一封装不同模型厂商（OpenAI、Anthropic 等）
屏蔽 API 差异，支持流式、工具调用、多模态

flowchart LR
    App --> ChatModel
    ChatModel --> OpenAI
    ChatModel --> Anthropic

能力价值：

模型可替换性强
避免供应商锁定

2. Prompt Template 与消息结构化

提供 PromptTemplate / ChatPromptTemplate
将 Prompt 视为可组合、可维护的结构化对象

flowchart LR
    Variables --> PromptTemplate --> LLM

能力价值：

Prompt 工程化
减少字符串拼接错误

3. Tool 抽象与工具调用机制

Tool = 函数 + 描述 + Schema
自动转为模型可理解的 Function / Tool Calling 格式

sequenceDiagram
    Agent->>LLM: 推理 + 选择工具
    LLM->>Tool: 调用
    Tool-->>Agent: 返回结果

能力价值：

LLM 具备“行动能力”
支持外部系统集成

4. 预构建 Agent Loop

内置 ReAct / Tool‑Calling Agent
自动管理思考 → 行动 → 反馈循环

flowchart LR
    Input --> Reasoning --> ToolCall --> Observation --> Reasoning

能力价值：

快速构建可用 Agent
降低 Agent 心智负担

5. Callback / Middleware 扩展机制

在 LLM / Tool 调用生命周期插入自定义逻辑
用于日志、监控、安全审计、Tracing

flowchart LR
    BeforeCall --> LLM --> AfterCall

能力定位总结：

LangChain 是 Agent 与 LLM 应用的开发框架（DSL），而非执行引擎。

三、LangGraph

官方资源：

项目主页：github.com/langchain-a…
官方文档：docs.langchain.com/oss/python/…
Concepts（Graph / State）：docs.langchain.com/oss/python/…

3.1 技术定位与设计目标

LangGraph 是一个 面向 Agent 的状态化执行引擎（Stateful Runtime），用于解决 LangChain 明确不解决的问题：

Agent 执行过程如何建模？
如何支持长时间运行与失败恢复？
如何让人类参与执行过程？

LangGraph 的核心思想是：Agent 本质上是一个状态机，而不是一个黑盒循环。

3.2 执行模型与抽象层级

LangGraph 以 Graph 为一等抽象：

Node：执行单元（LLM、工具、逻辑）
Edge：执行路径
State：系统级共享状态

3.3 能力模块

1. Graph‑based 执行模型

将 Agent 工作流建模为 有向图
Node = 执行单元，Edge = 执行路径

flowchart TD
    Start --> NodeA
    NodeA -->|条件1| NodeB
    NodeA -->|条件2| NodeC
    NodeB --> End
    NodeC --> End

能力价值：

显式控制执行路径
支持分支、循环、回退

2. 显式 State 建模

使用 TypedDict / Dataclass 定义系统状态
每个节点显式读写 State

flowchart LR
    State0 --> Node --> State1

能力价值：

系统级可观测状态
Agent 行为可解释

3. Durable Execution（持久执行）

自动 Checkpoint
失败可恢复、可重放

flowchart LR
    Execute --> Checkpoint --> Resume

能力价值：

支持长时间运行任务
工程级可靠性

4. Human‑in‑the‑Loop 支持

执行中可暂停
人工修改 State 后继续

sequenceDiagram
    Agent->>System: 执行到关键节点
    System->>Human: 请求审核
    Human->>System: 确认/修改
    System->>Agent: 继续执行

5. 子图（Subgraph）与组合

支持嵌套 Graph
复杂流程模块化

能力定位总结：

LangGraph 是 Agent 的状态机与执行运行时，关注“怎么跑得稳”。

四、DeepAgents

官方资源：

项目主页：github.com/langchain-a…
官方文档：docs.langchain.com/oss/python/…
Middleware & Skills：docs.langchain.com/oss/python/…

4.1 技术定位与设计目标

DeepAgents 是一个 面向长期自治任务的 Agent Harness（能力整合层），其目标不是“让 Agent 能跑”，而是：

让 Agent 能独立完成复杂项目级任务
让 Agent 具备规划、反思、上下文管理能力
让 Agent 像一个“数字员工”而不是脚本

DeepAgents 明确构建在 LangGraph Runtime 之上，并复用 LangChain 的 Agent 抽象。

4.2 能力组织方式（Harness / Middleware / Skills）

DeepAgents 不强调底层 API，而是通过 能力组合：

Middleware：拦截与增强 Agent 行为
Skills：可复用的领域能力包
内置工具集：规划、文件系统、子 Agent

4.3 能力模块

1. 任务规划与 Todo 管理

内置 Planning 能力
自动将复杂目标拆解为可执行步骤

flowchart TD
    Goal --> Plan
    Plan --> Todo1
    Plan --> Todo2
    Plan --> Todo3

能力价值：

支持长链路复杂任务

2. Middleware 驱动的能力扩展

通过 Middleware 为 Agent 注入能力模块
如规划、文件管理、反思、子 Agent 管理

flowchart LR
    AgentCore --> MiddlewareA
    AgentCore --> MiddlewareB
    AgentCore --> MiddlewareC

能力价值：

能力模块化
Agent 行为可组合

3. 文件系统作为长期上下文

提供 read_file / write_file / edit_file
用文件替代 Prompt 作为主要信息载体

flowchart LR
    Agent --> FileSystem --> Agent

能力价值：

突破上下文窗口限制
支持项目级任务

4. Subagent 机制

主 Agent 负责调度
子 Agent 执行专用子任务

flowchart TD
    MainAgent --> SubAgent1
    MainAgent --> SubAgent2

能力价值：

上下文隔离
并行执行

5. 长期记忆与自治执行

基于 LangGraph 的 Store
支持跨会话、跨线程记忆

能力定位总结：

DeepAgents 是 面向长期自治任务的 Agent Harness，关注“怎么自己把事干完”。

五、总结对比

技术栈	核心能力关键词	技术定位
LangChain	LLM 集成、Agent DSL、Tools、Middleware	Agent 开发框架
LangGraph	状态机、持久执行、Graph 编排	Agent Runtime
DeepAgents	规划、子 Agent、文件上下文、自治	自治 Agent 工具箱

六、典型应用架构示例

1. 基于 LangChain 的轻量级 Agent 架构

flowchart LR
    User --> Agent
    Agent --> ChatModel
    Agent --> Tools
    Tools --> ExternalAPI

说明：

适合聊天机器人、RAG、简单工具 Agent
Agent 生命周期短，同步执行
主要关注 Prompt、Tool、模型效果

2. 基于 LangChain + LangGraph 的生产级 Agent 架构

flowchart TD
    User --> Graph
    Graph --> State
    State --> NodeLLM
    State --> NodeTool
    NodeLLM --> State
    NodeTool --> State
    State --> Store

说明：

显式状态建模（State）
支持失败恢复、长时间运行
适合流程型 Agent、企业自动化

3. 基于 DeepAgents 的自治 Agent 架构

flowchart TD
    User --> MainAgent
    MainAgent --> Planner
    Planner --> TodoList
    MainAgent --> FileSystem
    MainAgent --> SubAgent1
    MainAgent --> SubAgent2
    SubAgent1 --> FileSystem
    SubAgent2 --> FileSystem

说明：

面向复杂、长期、多步骤任务
文件系统作为主要上下文载体
子 Agent 并行执行、上下文隔离

七、与其它主流 Agent 技术栈的横向对比

对比参考官方资料：

AutoGen：github.com/microsoft/a…
CrewAI：github.com/joaomdmoura…
OpenAI Agents SDK：platform.openai.com/docs/agents

1. 架构设计对比

技术栈	核心架构思想	是否有 Runtime	状态是否一等公民
LangChain	Agent DSL + 工具抽象	否（依赖 LangGraph）	否
LangGraph	Graph 状态机	是	是
DeepAgents	自治 Agent Harness	是（基于 LangGraph）	是
AutoGen	多 Agent 对话	否	否
CrewAI	角色驱动流程	有限	否
OpenAI Agents SDK	原生 Tool + Memory	否	否

2. 能力维度对比

能力维度	LangChain	LangGraph	DeepAgents	AutoGen	CrewAI
LLM 抽象	强	中	中	中	弱
状态管理	弱	强	强	弱	弱
长任务	弱	强	极强	弱	中
子 Agent	弱	中	强	强	强
工程可靠性	中	强	强	弱	中

八、结论

LangChain‑AI 提供的是一套 分层、可组合、工程友好的 Agent 技术体系：

LangChain：降低 Agent 开发门槛
LangGraph：保证执行可靠性与可控性
DeepAgents：实现长期自治与复杂任务处理