2023 年LangChain 让每个开发者都能用几行代码造一个 AI Agent2025 年LangGraph 把 Agent 推进了生产环境2026 年DeepAgents 让 Agent 自己管理自己。三年三次范式跃迁这篇文章带你看清来路选对前路。一、为什么 Agent 框架需要演化大语言模型LLM本质上是文本补全机器给定输入预测下一个 token。但真正有用的 AI 助手需要的远不止”说话”——它需要思考、记忆、调用工具、管理状态在多轮交互中完成复杂任务。这就是 Agent 框架要解决的问题在 LLM 之上构建一个完整的认知循环。感知 (Perception) → 推理 (Reasoning) → 行动 (Action) → 观察 (Observation) → 再推理 ...但不同阶段的开发者需求是不同的阶段核心需求代表框架2023 - 快速验证几行代码跑通一个 DemoLangChain2025 - 生产部署状态持久化、人工审批、故障恢复LangGraph2026 - 自治协作子 Agent 委派、自动规划、上下文管理DeepAgents这不是替代关系而是层叠关系——DeepAgents 构建在 LangGraph 之上LangGraph 构建在 LangChain 之上。二、第一代LangChain — 万物皆链2.1 核心抽象LangChain 的设计哲学可以用四个字概括万物皆链Everything is a Chain。PromptTemplate → LLM → OutputParser ↓ ↓ ↓ Chain[0] Chain[1] Chain[2]它的核心抽象包括抽象职责类比Chain将多个步骤串联执行工厂流水线AgentExecutor循环调用 LLM 工具直到任务完成while 循环ToolLLM 可调用的外部能力API 接口Memory在多轮对话间保持上下文聊天记录Retriever从外部数据源检索信息搜索引擎2.2 典型代码范式from langchain.agents import initialize_agent, AgentType from langchain.chat_models import ChatOpenAI from langchain.tools import DuckDuckGoSearchRun llm ChatOpenAI(modelgpt-4) tools [DuckDuckGoSearchRun()] agent initialize_agent( toolstools, llmllm, agentAgentType.ZERO_SHOT_REACT_DESCRIPTION, verboseTrue, ) agent.run(北京今天天气怎么样)简洁、直观、几行搞定。这正是 LangChain 在 2023 年爆火的原因——极低的上手门槛。2.3 设计哲学与贡献LangChain 对 Agent 生态的最大贡献不是某个具体功能而是三件事标准化了 LLM 应用的构建模式Prompt → LLM → Parse → Tool → Repeat统一了工具接口任何 Python 函数都能变成 Tool普及了 ReAct 模式让”思考-行动-观察”循环成为行业共识2.4 为什么不够用了当 Agent 从 Demo 走向生产LangChain 的局限暴露了局限具体表现实际影响隐式状态AgentExecutor 内部维护 scratchpad开发者看不到也控不了调试困难无法回溯线性执行Chain 只能顺序执行不支持条件分支和循环复杂工作流无法表达无持久化状态存在内存中进程崩了就丢了生产环境不可接受无人工介入没有 Human-in-the-Loop 机制敏感操作无法审批错误处理弱工具调用失败时缺少重试和回退机制生产环境不稳定LangChain 官方也认识到了这一点——AgentExecutor 已被弃用进入维护模式直到 2026 年 12 月。官方迁移指南明确推荐所有新项目使用 LangGraph。三、第二代LangGraph — 显式状态 有向图3.1 设计动机LangGraph 的诞生源于一个根本性的洞察Agent 的执行流程不是链而是图。一个真实的 Agent 在工作时可能需要根据条件走不同路径条件分支工具调用失败时回退重试循环在关键节点等待人工审批中断/恢复崩溃后从上次断点继续持久化这些都是链式结构无法表达的。LangGraph 用有向图Directed Graph取代了链Chain一举解决了所有问题。3.2 核心抽象StateGraph ├── State (TypedDict) — 显式、类型安全的状态对象 ├── Node (函数) — 图中的处理节点 ├── Edge (条件/无条件) — 节点间的连接 ├── Checkpointer — 状态持久化Postgres/Redis/SQLite └── Interrupt — 人工介入断点核心思想状态是一等公民。LangChainLangGraph状态隐藏在 AgentExecutor 内部状态是显式的 TypedDict每个节点都能读写执行路径固定支持条件分支、循环、并行内存中的临时状态Checkpointer 持久化到数据库跑完就跑完支持中断、恢复、时间旅行调试3.3 典型代码范式from typing import TypedDict, Annotated from langgraph.graph import StateGraph, START, END from langgraph.prebuilt import ToolNode from langgraph.checkpoint.postgres import PostgresSaver class AgentState(TypedDict): messages: Annotated[list, add_messages] next_action: str def reasoning_node(state: AgentState) - AgentState: LLM 推理决定下一步做什么 response llm.invoke(state[messages]) return {messages: [response], next_action: parse_action(response)} def should_use_tool(state: AgentState) - str: 条件路由是否需要调用工具 if state[next_action] tool_call: return tools return end # 构建图 graph StateGraph(AgentState) graph.add_node(reasoning, reasoning_node) graph.add_node(tools, ToolNode(tools)) graph.add_edge(START, reasoning) graph.add_conditional_edges(reasoning, should_use_tool, { tools: tools, end: END, }) graph.add_edge(tools, reasoning) # 工具结果送回推理节点——形成循环 # 编译并运行带持久化 checkpointer PostgresSaver.from_conn_string(postgresql://...) app graph.compile(checkpointercheckpointer) result app.invoke( {messages: [HumanMessage(查询北京天气)]}, config{configurable: {thread_id: session-001}}, )对比 LangChain 的initialize_agent()代码量增加了但换来的是每个节点的输入输出完全透明条件路由和循环显式可控状态持久化到 Postgres崩溃可恢复thread_id支持多会话并行3.4 关键能力能力说明价值Human-in-the-Loop在敏感节点设置 interrupt_before等待人工审批后继续企业合规必需时间旅行调试通过 Checkpointer 回溯到任意历史状态重放执行生产环境调试利器流式输出原生支持 token 级流式、节点级流式、事件流式用户体验优化子图 (Subgraph)将复杂工作流拆分为可复用的子图工程化模块化动态断点运行时根据条件决定是否中断灵活的审批策略3.5 生产级验证截至 2026 年LangGraph 已在多家大厂的生产环境运行LinkedIn— 人才推荐 AgentUber— 客服自动化工作流Klarna— 金融合规审批流程Replit— 代码生成 AgentLangGraph v1.0 于 2025 年 10 月正式发布 LTS 版本标志着它从实验框架变为生产级基础设施。四、第三代DeepAgents — 自治 Agent 编排4.1 从手动编排到自动编排LangGraph 解决了”如何精确控制 Agent”的问题但引入了新的挑战开发者需要手动设计图的每个节点和边。对于复杂的多 Agent 协作场景这个工作量非常大。DeepAgents 的思路是把图的构建也交给 AI。LangChain: 开发者写链 → LLM 在链中执行 LangGraph: 开发者画图 → LLM 在图中执行 DeepAgents: 开发者定义目标 → LLM 自己画图、自己执行4.2 核心抽象DeepAgents由 LangChain 团队开发langchain-ai/deepagents是一个高层 Agent 编排框架构建在 LangGraph 之上提供”开箱即用”的自治 Agent 能力能力机制说明自动规划write_todos 工具Agent 自动将任务分解为待办事项并跟踪进度子 Agent 委派Sub-agent spawning主 Agent 将子任务委派给隔离的子 Agent 执行持久记忆Virtual filesystem虚拟文件系统存储跨会话信息自动摘要Auto-summarization对话过长时自动压缩上下文文件操作Filesystem backend内置文件读写能力4.3 为什么需要子 AgentDeepAgents 解决的核心问题是Context Bloat上下文膨胀。当一个 Agent 执行复杂任务时上下文窗口会被工具调用结果、中间推理、历史消息逐渐填满。一旦上下文接近模型限制LLM 的推理质量急剧下降——进入所谓的”笨区”Dumb Zone。子 Agent 的解决方案主 Agent精简上下文 ├── 子 Agent A独立上下文→ 执行搜索任务 → 返回摘要 ├── 子 Agent B独立上下文→ 执行代码生成 → 返回结果 └── 子 Agent C独立上下文→ 执行数据分析 → 返回结论每个子 Agent 拥有独立的上下文窗口执行完毕后只将精简结果返回给主 Agent。这样主 Agent 的上下文始终保持精简推理质量得以维持。子 Agent 的典型用途并行化多个子任务同时执行多模型不同子任务使用不同模型如推理用 Claude编码用 GPT专业化子 Agent 有专门的系统提示词和工具集上下文保护防止大量工具输出污染主上下文4.4 与 LangGraph 的关系DeepAgents不是 LangGraph 的替代品而是它的高层封装。DeepAgents └── 编译产物 LangGraph CompiledGraph └── 底层执行 LangGraph Runtime └── 基础组件 LangChain CoreDeepAgents 的create_agent()返回的就是一个编译好的 LangGraph 图因此天然兼容 LangGraph 的所有能力流式输出、Checkpointer 持久化、中断/恢复等。from deepagents import create_agent agent create_agent( modelclaude-sonnet-4-20250514, tools[search_tool, code_tool, file_tool], ) # 返回的 agent 就是一个 LangGraph CompiledGraph # 可以直接使用 LangGraph 的 stream、invoke 等 API for chunk in agent.stream({messages: [HumanMessage(重构这个项目的错误处理)]}): print(chunk)4.5 代价Token 开销DeepAgents 的自动规划、子 Agent 通信、上下文摘要都需要额外的 LLM 调用。有分析指出相比直接使用 LangGraph 手动编排DeepAgents 的 token 消耗可能高达20 倍。这是”便利性 vs 成本”的经典 trade-off维度LangGraph手动编排DeepAgents自动编排开发成本高需要手动设计图低定义目标即可Token 成本低精确控制高约 20x灵活性极高完全自定义中等框架约定适用场景确定性工作流探索性/自治任务五、三代架构全景对比维度LangChainLangGraphDeepAgents核心范式链Chain有向图Graph自治编排状态管理隐式scratchpad显式TypedDict自动virtual FS循环支持仅 AgentExecutor 内部循环原生支持任意循环自动循环条件分支不支持原生支持自动路由持久化无内置方案Checkpointer (PG/Redis)继承 LangGraphHuman-in-the-Loop无interrupt_before/after继承 LangGraph子 Agent无原生支持子图Subgraph一等公民自动规划无需手动实现内置 write_todos上下文管理手动手动自动摘要Token 效率高高低约 20x 开销学习曲线低中低控制粒度低极高中适合阶段原型验证生产部署自治 Agent发布时间20222024 (GA: 2025.10)2025六、选型指南该用哪个场景一快速原型 / RAG 应用选 LangChain。Prompt Retriever LLM 的经典 RAG 链条依然是 LangChain 的强项。不需要复杂状态管理时链式范式足够简洁。场景二生产级工作流 / 企业应用选 LangGraph。需要 Human-in-the-Loop、状态持久化、故障恢复时LangGraph 是唯一成熟的选择。对执行流程有精确控制需求时图范式的优势无可替代。场景三自治 Agent / 多 Agent 协作选 DeepAgents。任务目标开放、需要 Agent 自主规划和委派时DeepAgents 省去了手动设计图的工作。但要做好 token 成本的预算。混合策略推荐实际项目中最常见的做法是分层使用应用层: DeepAgents高层编排、自治任务 编排层: LangGraph关键工作流、审批流程 基础层: LangChain CorePrompt、LLM、Tool 基础组件这不是非此即彼的选择而是在不同抽象层级使用最合适的工具。七、写在最后Agent 框架的演化路径折射出 AI 工程的成熟过程LangChain让 Agent 从论文走进了代码——”人人都能造 Agent”LangGraph让 Agent 从 Demo 走进了生产——”Agent 可以可靠运行”DeepAgents让 Agent 从工具走向了自治——”Agent 可以管理 Agent”下一步会是什么也许是 Agent 自己决定用哪个框架。想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”
Agent 框架演化三部曲：从 LangChain 到 LangGraph 再到 DeepAgents
发布时间：2026/7/14 23:40:44
2023 年LangChain 让每个开发者都能用几行代码造一个 AI Agent2025 年LangGraph 把 Agent 推进了生产环境2026 年DeepAgents 让 Agent 自己管理自己。三年三次范式跃迁这篇文章带你看清来路选对前路。一、为什么 Agent 框架需要演化大语言模型LLM本质上是文本补全机器给定输入预测下一个 token。但真正有用的 AI 助手需要的远不止”说话”——它需要思考、记忆、调用工具、管理状态在多轮交互中完成复杂任务。这就是 Agent 框架要解决的问题在 LLM 之上构建一个完整的认知循环。感知 (Perception) → 推理 (Reasoning) → 行动 (Action) → 观察 (Observation) → 再推理 ...但不同阶段的开发者需求是不同的阶段核心需求代表框架2023 - 快速验证几行代码跑通一个 DemoLangChain2025 - 生产部署状态持久化、人工审批、故障恢复LangGraph2026 - 自治协作子 Agent 委派、自动规划、上下文管理DeepAgents这不是替代关系而是层叠关系——DeepAgents 构建在 LangGraph 之上LangGraph 构建在 LangChain 之上。二、第一代LangChain — 万物皆链2.1 核心抽象LangChain 的设计哲学可以用四个字概括万物皆链Everything is a Chain。PromptTemplate → LLM → OutputParser ↓ ↓ ↓ Chain[0] Chain[1] Chain[2]它的核心抽象包括抽象职责类比Chain将多个步骤串联执行工厂流水线AgentExecutor循环调用 LLM 工具直到任务完成while 循环ToolLLM 可调用的外部能力API 接口Memory在多轮对话间保持上下文聊天记录Retriever从外部数据源检索信息搜索引擎2.2 典型代码范式from langchain.agents import initialize_agent, AgentType from langchain.chat_models import ChatOpenAI from langchain.tools import DuckDuckGoSearchRun llm ChatOpenAI(modelgpt-4) tools [DuckDuckGoSearchRun()] agent initialize_agent( toolstools, llmllm, agentAgentType.ZERO_SHOT_REACT_DESCRIPTION, verboseTrue, ) agent.run(北京今天天气怎么样)简洁、直观、几行搞定。这正是 LangChain 在 2023 年爆火的原因——极低的上手门槛。2.3 设计哲学与贡献LangChain 对 Agent 生态的最大贡献不是某个具体功能而是三件事标准化了 LLM 应用的构建模式Prompt → LLM → Parse → Tool → Repeat统一了工具接口任何 Python 函数都能变成 Tool普及了 ReAct 模式让”思考-行动-观察”循环成为行业共识2.4 为什么不够用了当 Agent 从 Demo 走向生产LangChain 的局限暴露了局限具体表现实际影响隐式状态AgentExecutor 内部维护 scratchpad开发者看不到也控不了调试困难无法回溯线性执行Chain 只能顺序执行不支持条件分支和循环复杂工作流无法表达无持久化状态存在内存中进程崩了就丢了生产环境不可接受无人工介入没有 Human-in-the-Loop 机制敏感操作无法审批错误处理弱工具调用失败时缺少重试和回退机制生产环境不稳定LangChain 官方也认识到了这一点——AgentExecutor 已被弃用进入维护模式直到 2026 年 12 月。官方迁移指南明确推荐所有新项目使用 LangGraph。三、第二代LangGraph — 显式状态 有向图3.1 设计动机LangGraph 的诞生源于一个根本性的洞察Agent 的执行流程不是链而是图。一个真实的 Agent 在工作时可能需要根据条件走不同路径条件分支工具调用失败时回退重试循环在关键节点等待人工审批中断/恢复崩溃后从上次断点继续持久化这些都是链式结构无法表达的。LangGraph 用有向图Directed Graph取代了链Chain一举解决了所有问题。3.2 核心抽象StateGraph ├── State (TypedDict) — 显式、类型安全的状态对象 ├── Node (函数) — 图中的处理节点 ├── Edge (条件/无条件) — 节点间的连接 ├── Checkpointer — 状态持久化Postgres/Redis/SQLite └── Interrupt — 人工介入断点核心思想状态是一等公民。LangChainLangGraph状态隐藏在 AgentExecutor 内部状态是显式的 TypedDict每个节点都能读写执行路径固定支持条件分支、循环、并行内存中的临时状态Checkpointer 持久化到数据库跑完就跑完支持中断、恢复、时间旅行调试3.3 典型代码范式from typing import TypedDict, Annotated from langgraph.graph import StateGraph, START, END from langgraph.prebuilt import ToolNode from langgraph.checkpoint.postgres import PostgresSaver class AgentState(TypedDict): messages: Annotated[list, add_messages] next_action: str def reasoning_node(state: AgentState) - AgentState: LLM 推理决定下一步做什么 response llm.invoke(state[messages]) return {messages: [response], next_action: parse_action(response)} def should_use_tool(state: AgentState) - str: 条件路由是否需要调用工具 if state[next_action] tool_call: return tools return end # 构建图 graph StateGraph(AgentState) graph.add_node(reasoning, reasoning_node) graph.add_node(tools, ToolNode(tools)) graph.add_edge(START, reasoning) graph.add_conditional_edges(reasoning, should_use_tool, { tools: tools, end: END, }) graph.add_edge(tools, reasoning) # 工具结果送回推理节点——形成循环 # 编译并运行带持久化 checkpointer PostgresSaver.from_conn_string(postgresql://...) app graph.compile(checkpointercheckpointer) result app.invoke( {messages: [HumanMessage(查询北京天气)]}, config{configurable: {thread_id: session-001}}, )对比 LangChain 的initialize_agent()代码量增加了但换来的是每个节点的输入输出完全透明条件路由和循环显式可控状态持久化到 Postgres崩溃可恢复thread_id支持多会话并行3.4 关键能力能力说明价值Human-in-the-Loop在敏感节点设置 interrupt_before等待人工审批后继续企业合规必需时间旅行调试通过 Checkpointer 回溯到任意历史状态重放执行生产环境调试利器流式输出原生支持 token 级流式、节点级流式、事件流式用户体验优化子图 (Subgraph)将复杂工作流拆分为可复用的子图工程化模块化动态断点运行时根据条件决定是否中断灵活的审批策略3.5 生产级验证截至 2026 年LangGraph 已在多家大厂的生产环境运行LinkedIn— 人才推荐 AgentUber— 客服自动化工作流Klarna— 金融合规审批流程Replit— 代码生成 AgentLangGraph v1.0 于 2025 年 10 月正式发布 LTS 版本标志着它从实验框架变为生产级基础设施。四、第三代DeepAgents — 自治 Agent 编排4.1 从手动编排到自动编排LangGraph 解决了”如何精确控制 Agent”的问题但引入了新的挑战开发者需要手动设计图的每个节点和边。对于复杂的多 Agent 协作场景这个工作量非常大。DeepAgents 的思路是把图的构建也交给 AI。LangChain: 开发者写链 → LLM 在链中执行 LangGraph: 开发者画图 → LLM 在图中执行 DeepAgents: 开发者定义目标 → LLM 自己画图、自己执行4.2 核心抽象DeepAgents由 LangChain 团队开发langchain-ai/deepagents是一个高层 Agent 编排框架构建在 LangGraph 之上提供”开箱即用”的自治 Agent 能力能力机制说明自动规划write_todos 工具Agent 自动将任务分解为待办事项并跟踪进度子 Agent 委派Sub-agent spawning主 Agent 将子任务委派给隔离的子 Agent 执行持久记忆Virtual filesystem虚拟文件系统存储跨会话信息自动摘要Auto-summarization对话过长时自动压缩上下文文件操作Filesystem backend内置文件读写能力4.3 为什么需要子 AgentDeepAgents 解决的核心问题是Context Bloat上下文膨胀。当一个 Agent 执行复杂任务时上下文窗口会被工具调用结果、中间推理、历史消息逐渐填满。一旦上下文接近模型限制LLM 的推理质量急剧下降——进入所谓的”笨区”Dumb Zone。子 Agent 的解决方案主 Agent精简上下文 ├── 子 Agent A独立上下文→ 执行搜索任务 → 返回摘要 ├── 子 Agent B独立上下文→ 执行代码生成 → 返回结果 └── 子 Agent C独立上下文→ 执行数据分析 → 返回结论每个子 Agent 拥有独立的上下文窗口执行完毕后只将精简结果返回给主 Agent。这样主 Agent 的上下文始终保持精简推理质量得以维持。子 Agent 的典型用途并行化多个子任务同时执行多模型不同子任务使用不同模型如推理用 Claude编码用 GPT专业化子 Agent 有专门的系统提示词和工具集上下文保护防止大量工具输出污染主上下文4.4 与 LangGraph 的关系DeepAgents不是 LangGraph 的替代品而是它的高层封装。DeepAgents └── 编译产物 LangGraph CompiledGraph └── 底层执行 LangGraph Runtime └── 基础组件 LangChain CoreDeepAgents 的create_agent()返回的就是一个编译好的 LangGraph 图因此天然兼容 LangGraph 的所有能力流式输出、Checkpointer 持久化、中断/恢复等。from deepagents import create_agent agent create_agent( modelclaude-sonnet-4-20250514, tools[search_tool, code_tool, file_tool], ) # 返回的 agent 就是一个 LangGraph CompiledGraph # 可以直接使用 LangGraph 的 stream、invoke 等 API for chunk in agent.stream({messages: [HumanMessage(重构这个项目的错误处理)]}): print(chunk)4.5 代价Token 开销DeepAgents 的自动规划、子 Agent 通信、上下文摘要都需要额外的 LLM 调用。有分析指出相比直接使用 LangGraph 手动编排DeepAgents 的 token 消耗可能高达20 倍。这是”便利性 vs 成本”的经典 trade-off维度LangGraph手动编排DeepAgents自动编排开发成本高需要手动设计图低定义目标即可Token 成本低精确控制高约 20x灵活性极高完全自定义中等框架约定适用场景确定性工作流探索性/自治任务五、三代架构全景对比维度LangChainLangGraphDeepAgents核心范式链Chain有向图Graph自治编排状态管理隐式scratchpad显式TypedDict自动virtual FS循环支持仅 AgentExecutor 内部循环原生支持任意循环自动循环条件分支不支持原生支持自动路由持久化无内置方案Checkpointer (PG/Redis)继承 LangGraphHuman-in-the-Loop无interrupt_before/after继承 LangGraph子 Agent无原生支持子图Subgraph一等公民自动规划无需手动实现内置 write_todos上下文管理手动手动自动摘要Token 效率高高低约 20x 开销学习曲线低中低控制粒度低极高中适合阶段原型验证生产部署自治 Agent发布时间20222024 (GA: 2025.10)2025六、选型指南该用哪个场景一快速原型 / RAG 应用选 LangChain。Prompt Retriever LLM 的经典 RAG 链条依然是 LangChain 的强项。不需要复杂状态管理时链式范式足够简洁。场景二生产级工作流 / 企业应用选 LangGraph。需要 Human-in-the-Loop、状态持久化、故障恢复时LangGraph 是唯一成熟的选择。对执行流程有精确控制需求时图范式的优势无可替代。场景三自治 Agent / 多 Agent 协作选 DeepAgents。任务目标开放、需要 Agent 自主规划和委派时DeepAgents 省去了手动设计图的工作。但要做好 token 成本的预算。混合策略推荐实际项目中最常见的做法是分层使用应用层: DeepAgents高层编排、自治任务 编排层: LangGraph关键工作流、审批流程 基础层: LangChain CorePrompt、LLM、Tool 基础组件这不是非此即彼的选择而是在不同抽象层级使用最合适的工具。七、写在最后Agent 框架的演化路径折射出 AI 工程的成熟过程LangChain让 Agent 从论文走进了代码——”人人都能造 Agent”LangGraph让 Agent 从 Demo 走进了生产——”Agent 可以可靠运行”DeepAgents让 Agent 从工具走向了自治——”Agent 可以管理 Agent”下一步会是什么也许是 Agent 自己决定用哪个框架。想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”
)
