LangChain，LangGraph ，deepagents 三者的关系

戴维南
4 阅读6分钟

LangChain 定位与 Skills/MCP 疑问总结

1. 你这轮问题的核心

你连续追问的本质是：

  1. 为什么 LangChain Overview 里几乎不强调 skills，但 Deep Agents 里重点强调？
  2. skills、MCP 难道不是基础能力吗？为什么 LangChain 看起来支持不重？
  3. LangChain 里明明有 MCP，那它到底把 MCP 当什么？
  4. 从产品设计上，LangChain / LangGraph / Deep Agents 的边界是什么？

2. 一句话结论

  • LangChain：通用能力层（模型、提示词、工具、RAG、记忆、链式组合）。
  • LangGraph：流程运行层（状态机、回路、中断恢复、检查点）。
  • Deep Agents：高级 Agent 产品层（skills、长任务自动上下文管理、子代理等）。

所以你看到的现象是合理的：

  • skills 在 Deep Agents 里是一等能力。
  • 在 LangChain 里不是主设计中心。

重点强调：skills 在 LangChain 里不是一等公民概念。
LangChain 的一等公民更偏 model / prompt / tool / retriever / runnable / memory；
skills 主要在 Deep Agents 这层被强化为核心能力。

3. 为什么 LangChain 不把 skills 放在主叙事

3.1 LangChain 的目标是“通用中间层”

LangChain 要保持中立和低耦合，优先做“所有项目都用得上的最小公约数”：

  • 模型抽象
  • Prompt 模板
  • Tool 调用
  • RAG
  • 输出结构化
  • 记忆与链路编排

skills 是更“意见化”的能力组织方式（目录规范、打包格式、加载策略、权限策略），放在基础层会限制通用性。

3.2 skills 更像“上层产品能力”

Deep Agents 强调的是“开箱即用的高能力 Agent”。 这时 skills 作为能力包（文档+脚本+资源+调用约定）非常关键，所以在 Deep Agents 文档中被重点呈现。

4. MCP 在 LangChain 里是什么角色

你的理解是对的： LangChain 里的 MCP，主要是通过 adapter 映射进 Tool 体系来使用。

也就是说：

  • MCP server 提供能力
  • LangChain 通过 MCP adapter 把这些能力转成 agent 可调用的 tools
  • 不是在 LangChain 核心里另起一套“技能包运行时”

所以你会感觉：

  • “有 MCP”
  • 但“skills 感知不强”

两者并不矛盾，因为它们分属不同抽象层。

5. 你的疑问“这些不是基础能力吗”怎么回答

要分“基础能力”的层级：

  1. 基础框架层基础能力（LangChain 视角）
  • 模型、Prompt、工具、RAG、输出、链路
  1. Agent 产品层基础能力（Deep Agents 视角）
  • skills 打包
  • 长任务自动上下文治理
  • 更强的 agent 运行体验

所以不是“不重要”，而是“在哪一层当一等公民”。

6. 你可以对外复述的标准版

LangChain 是通用能力中间层，负责把模型、工具、检索、输出标准化； LangGraph 是流程与状态运行时，负责分支、回路、检查点和恢复； Deep Agents 是更高层的 Agent 产品框架，把 skills 和长任务上下文治理作为核心能力。

因此，LangChain 文档里 skills 不重，是分层设计； 不是能力缺失，而是把 skills 的主战场放在 Deep Agents。

7. 选型建议（结合你当前认知）

  1. 想快速搭稳定业务 Agent：LangChain + LangGraph
  2. 想要更强开箱能力（skills、自动上下文治理）：评估 Deep Agents
  3. 想要高度可控、可定制：以 LangChain/LangGraph 为主，自定义 skills 规范

8. 对应文档链接

9. 最近新增问题补充：Deep Agents / LangChain / LangGraph 三者关系

9.1 分层关系（先记这个）

  1. Deep Agents：更高层、更“开箱即用”的 Agent 产品层（技能、长任务管理、子代理等）。
  2. LangChain：中间层开发框架（模型、Prompt、Tools、RAG、链式编排）。
  3. LangGraph：底层运行时（状态机执行、分支/回路、中断恢复、checkpoint）。

一句话：

  • Deep Agents 偏“快上手”
  • LangChain 偏“可组合”
  • LangGraph 偏“可生产运行”
flowchart TB
  U["业务：耳机坏了售后"] --> DA["Deep Agents（产品层）"]
  DA --> LC["LangChain（能力层）"]
  LC --> LG["LangGraph（运行时层）"]
  LG --> INFRA["LLM/API/DB/向量库/审批系统"]

9.2 有了 Deep Agents，还要不要 LangChain？

结论：不是二选一，而是互补。

  • 简单/快速落地：你可以主要写 Deep Agents 配置，间接使用 LangChain 能力。
  • 需要深度定制：你会直接下沉到 LangChain（比如模型参数、RAG 细节、Tool 约束、输出控制）。

10. “用了 Deep Agents，是否还要用 LangChain 模型 API？”

结论：不一定“必须手写”，但底层模型抽象来自 LangChain。

10.1 可以不手写（字符串模型）

import { createDeepAgent } from 'deepagents'

const agent = createDeepAgent({
  model: 'openai:gpt-5.2'
})

10.2 需要高级控制时会手写（LangChain 模型 API）

import { createDeepAgent } from 'deepagents'
import { initChatModel } from 'langchain/chat_models/universal'

const model = await initChatModel('anthropic:claude-sonnet-4-6', {
  maxTokens: 16000,
  maxRetries: 10
})

const agent = createDeepAgent({ model })

所以更准确的表述是：

  • Deep Agents 提供“可直接用”的模型入口；
  • 但高级场景下通常会显式用 LangChain 模型 API 做精细控制。

11. 这句是否准确：Deep Agents 依赖 LangChain，LangChain 依赖 LangGraph？

基本准确，但需加一层限定：

  1. Deep Agents 建在 LangChain 之上（并利用 LangGraph 运行时能力）。
  2. LangChain 的 Agent/流程能力明显依赖 LangGraph。
  3. LangChain 并非所有模块都依赖 LangGraph（例如一些纯模型/纯提示词场景）。

建议对外说法：

Deep Agents 建在 LangChain 之上；LangChain 的 Agent 层建在 LangGraph 运行时之上。

12. 什么是“基于 LangGraph 运行时”？为什么 ReactAgent 要依赖它？

12.0 直接回答你这句原问题

问题：LangChain 的 Agent 层为什么依赖 LangGraph 运行，是因为 ReactAgent 是一个循环的图吗？

直接答案：是，这就是核心原因之一；并且不只是“循环”，还包括路由、状态持久化、中断恢复和流式执行。

可以拆成两层理解：

  1. ReAct 天生是循环：model -> tool -> model -> ... -> END，不是一次 if 判断。
  2. 生产上需要运行时保障：分支选择、checkpoint、人工审批后恢复、可观测轨迹，这些都由 LangGraph 运行时承接。

12.1 通俗解释

“运行时”不是你画图的地方，而是让图真正执行的引擎。它负责：

  1. 节点调度（下一步跑谁）
  2. 分支路由（命中哪条边）
  3. 回路执行（反复追问直到信息齐）
  4. 状态持久化（checkpoint）
  5. 中断与恢复（人工审批后继续）
  6. 流式输出与轨迹观测

12.2 为什么不是一个 if 就够？

你问得非常关键：

  • if 处理一次判断；
  • Agent 要处理“多轮 + 工具调用 + 回路 + 中断恢复”，本质是循环状态机。

伪代码本质更接近：

while (currentNode !== 'END') {
  const out = await runNode(currentNode, state)
  state = merge(state, out)
  await saveCheckpoint(state)
  currentNode = route(state)
}

这就是为什么 ReactAgent 需要运行时引擎，而不是简单函数串起来。

13. 代码上能看到吗？（源码证据）

下面是可直接定位到的证据（langchainjs 源码）：

  1. createAgent 返回 new ReactAgent(...)
    libs/langchain/src/agents/index.ts:622

  2. ReactAgent 直接引入 @langchain/langgraph 的运行时对象（StateGraph/START/END/Send/Command）
    libs/langchain/src/agents/ReactAgent.ts:17

  3. 先构图，再 compile，并挂 checkpointer/store
    libs/langchain/src/agents/ReactAgent.ts:246
    libs/langchain/src/agents/ReactAgent.ts:666

  4. 对外 invoke/stream 最终都委托给图运行时
    libs/langchain/src/agents/ReactAgent.ts:1185
    libs/langchain/src/agents/ReactAgent.ts:1261

  5. 依赖声明里有 @langchain/langgraph 与 checkpoint 包
    libs/langchain/package.json:73-74

这说明“LangChain Agent 层基于 LangGraph 运行时”不是概念说法，而是代码级事实。

avatar
文章
阅读
粉丝