LangChain、LangGraph 与 Deep Agents：一文搞懂三者区别与选型
前言
随着 AI Agent 技术的快速发展，LangChain 生态系统不断演进，推出了多个层次的框架和工具。很多开发者在接触时会产生困惑：LangChain、LangGraph 和 Deep Agents 到底有什么区别？我应该用哪个？
本文将从架构设计、核心能力、适用场景三个维度，深入解析这三个框架的区别，帮助你做出正确的技术选型。
背景：为什么会有三个框架？
LangChain 生态的演进路径如下：
LangChain（2022）→ LangGraph（2024）→ Deep Agents（2025） ↓ ↓ ↓ 核心构建块 编排运行时 Agent 框架
-
LangChain：最早推出的 LLM 应用开发框架，提供 Chain、Agent、Tool、Memory 等模块化组件
-
LangGraph：基于有向图的 Agent 编排运行时，解决复杂工作流的流程控制问题
-
Deep Agents：最新的 Agent 框架（harness），内置任务规划、上下文管理、子代理生成等高级能力
核心区别对比
架构层次
┌─────────────────────────────────────────────────────────────┐ │ Deep Agents（框架层） │ │ 内置：任务规划、文件系统、子代理、长期记忆、人类审批 │ └─────────────────────────────────────────────────────────────┘ │ ▼ ┌─────────────────────────────────────────────────────────────┐ │ LangGraph（运行时层） │ │ 提供：状态图、持久化、流式处理、人在回路、检查点 │ └─────────────────────────────────────────────────────────────┘ │ ▼ ┌─────────────────────────────────────────────────────────────┐ │ LangChain（构建块层） │ │ 提供：模型调用、工具定义、Prompt 模板、输出解析 │ └─────────────────────────────────────────────────────────────┘
功能对比
| 维度 | LangChain | LangGraph | Deep Agents |
|---|---|---|---|
| 定位 | 核心构建块框架 | 编排运行时 | Agent 框架（harness） |
| 架构模型 | Chain（链式调用） | Graph（状态图） | 工具调用循环 + 内置能力 |
| 状态管理 | 基础 Memory | 完善的 Checkpoint | 文件系统 + 长期记忆 |
| 流程控制 | 线性链 | 条件分支、循环、并行 | 任务规划、子代理生成 |
| 人在回路 | 需手动实现 | 内置支持 | 内置支持 |
| 持久化 | 需手动实现 | 内置支持 | 内置支持 |
| 上下文管理 | 基础 | 中等 | 高级（压缩、摘要、文件系统） |
| 学习曲线 | 低 | 中 | 中高 |
| 适用场景 | 简单 RAG、单轮对话 | 复杂工作流 | 复杂多步任务 |
代码对比
LangChain 方式
from langchain.agents import create_agent
def get_weather(city: str) -> str:
"""获取城市天气"""
return f"{city} 天气晴朗！"
# 创建基础 Agent
agent = create_agent(
model="openai:gpt-4",
tools=[get_weather],
system_prompt="你是一个有用的助手",
)
# 调用 Agent
result = agent.invoke(
{"messages": [{"role": "user", "content": "北京天气怎么样？"}]}
)特点：简单直接，适合单轮对话和简单任务。
LangGraph 方式
from langgraph.graph import StateGraph, MessagesState
from langchain_openai import ChatOpenAI
# 定义状态图
workflow = StateGraph(MessagesState)
# 添加节点
workflow.add_node("agent", call_model)
workflow.add_node("tools", tool_node)
# 添加边
workflow.add_edge(START, "agent")
workflow.add_conditional_edges("agent", should_continue)
workflow.add_edge("tools", "agent")
# 编译
app = workflow.compile()
# 调用
result = app.invoke({"messages": [("user", "北京天气怎么样？")]})特点：基于状态图，支持复杂流程控制、条件分支、循环。
Deep Agents 方式
from deepagents import create_deep_agent
def get_weather(city: str) -> str:
"""获取城市天气"""
return f"{city} 天气晴朗！"
# 创建 Deep Agent
agent = create_deep_agent(
model="openai:gpt-4",
tools=[get_weather],
system_prompt="你是一个有用的助手",
)
# 调用 Agent（自动启用任务规划、上下文管理等）
result = agent.invoke(
{"messages": [{"role": "user", "content": "帮我规划一次北京三日游"}]}
)特点：内置高级能力，自动处理任务分解、上下文管理。
详细解析
1. LangChain：核心构建块
核心组件：
-
Models：模型调用封装
-
Prompts：Prompt 模板管理
-
Chains：链式调用
-
Agents：工具调用 Agent
-
Memory：对话记忆
-
Tools：工具定义
优势：
-
生态丰富，集成众多 LLM 和工具
-
学习曲线低，上手快
-
社区活跃，文档完善
局限：
-
复杂工作流实现困难
-
状态管理需要手动实现
-
随着功能增多，架构变重
适用场景：
-
简单 RAG 应用
-
单轮对话 Agent
-
快速原型开发
2. LangGraph：编排运行时
核心特性：
-
状态图（State Graph）：基于有向图的工作流定义
-
Checkpoint：内置状态持久化，支持断点续传
-
流式处理：支持实时流式输出
-
人在回路（Human-in-the-loop）：内置人工审批机制
-
条件分支：支持复杂的流程控制
架构设计：
用户输入 → Agent 节点 → 条件判断 → 工具节点 → Agent 节点 → 输出 ↑ ↓ └────────────────────┘ （循环）
优势：
-
精细的流程控制
-
内置持久化和恢复
-
支持复杂多步工作流
-
与 LangChain 完全兼容
局限：
-
学习曲线较陡
-
需要理解状态图概念
-
对于简单任务过于复杂
适用场景：
-
复杂多步骤工作流
-
需要人工审批的流程
-
需要断点续传的任务
-
多 Agent 协作系统
3. Deep Agents：Agent 框架
内置能力：
| 能力 | 说明 |
|---|---|
| 任务规划 | 内置 write_todos 工具，自动分解复杂任务 |
| 文件系统 | 虚拟文件系统管理上下文，支持大文件处理 |
| 子代理生成 | 自动创建子代理并行处理任务 |
| 长期记忆 | 持久化记忆存储和检索 |
| 人类审批 | 内置关键决策点的人工审批机制 |
| 上下文压缩 | 自动摘要历史消息，管理增长的上下文 |
架构设计：
用户输入 → 任务规划 → 子代理生成 → 并行执行 → 结果聚合 → 输出 ↑ ↓ │ ┌────┴────┐ │ │ 子代理1 │ │ │ 子代理2 │ │ │ 子代理3 │ │ └────┬────┘ └────────────┘
优势：
-
开箱即用的高级能力
-
自动处理复杂任务
-
内置最佳实践
-
与 LangChain/LangGraph 完全兼容
局限：
-
抽象层次高，灵活性受限
-
学习曲线较陡
-
对于简单任务可能过于复杂
适用场景：
-
复杂多步任务
-
需要任务分解的场景
-
需要并行处理的场景
-
生产级 Agent 应用
选型指南
选择 LangChain 的场景
-
✅ 简单 RAG 应用
-
✅ 单轮对话 Agent
-
✅ 快速原型开发
-
✅ 学习 Agent 基础概念
选择 LangGraph 的场景
-
✅ 复杂多步骤工作流
-
✅ 需要人工审批的流程
-
✅ 需要断点续传的任务
-
✅ 多 Agent 协作系统
-
✅ 需要精细流程控制
选择 Deep Agents 的场景
-
✅ 复杂多步任务（如数据分析、报告生成）
-
✅ 需要任务分解和规划
-
✅ 需要并行处理多个子任务
-
✅ 生产级 Agent 应用
-
✅ 需要长期记忆和上下文管理
实战示例
示例 1：简单天气查询（LangChain）
from langchain.agents import create_agent
def get_weather(city: str) -> str:
return f"{city} 天气晴朗！"
agent = create_agent(
model="openai:gpt-4",
tools=[get_weather],
system_prompt="你是一个有用的助手",
)
result = agent.invoke(
{"messages": [{"role": "user", "content": "北京天气怎么样？"}]}
)示例 2：多步骤研究工作流（LangGraph）
from langgraph.graph import StateGraph, MessagesState
# 定义研究工作流
workflow = StateGraph(MessagesState)
# 添加节点：搜索 → 分析 → 总结
workflow.add_node("search", search_node)
workflow.add_node("analyze", analyze_node)
workflow.add_node("summarize", summarize_node)
# 添加边
workflow.add_edge(START, "search")
workflow.add_edge("search", "analyze")
workflow.add_edge("analyze", "summarize")
workflow.add_edge("summarize", END)
# 编译并调用
app = workflow.compile()
result = app.invoke({"messages": [("user", "研究 LangChain 的最新进展")]})示例 3：复杂数据分析任务（Deep Agents）
from deepagents import create_deep_agent
# 创建数据分析 Agent
agent = create_deep_agent(
model="openai:gpt-4",
tools=[read_csv, analyze_data, create_chart],
system_prompt="你是一个数据分析专家",
)
# 自动分解任务、并行处理
result = agent.invoke(
{"messages": [("user", "分析这份销售数据，找出趋势并生成报告")]}
)
# Deep Agents 会自动：
# 1. 规划任务步骤
# 2. 读取数据
# 3. 分析数据
# 4. 生成图表
# 5. 撰写报告总结
| 框架 | 一句话总结 | 推荐指数 |
|---|---|---|
| LangChain | Agent 开发的瑞士军刀，简单任务首选 | ⭐⭐⭐⭐ |
| LangGraph | 复杂工作流的精细控制，进阶开发者必备 | ⭐⭐⭐⭐⭐ |
| Deep Agents | 生产级 Agent 框架，复杂任务的最佳选择 | ⭐⭐⭐⭐⭐ |
选型建议：
-
新手入门：从 LangChain 开始，掌握基础概念
-
进阶开发：学习 LangGraph，掌握复杂工作流
-
生产部署：使用 Deep Agents，享受开箱即用的高级能力
三者并非互斥关系，而是层层递进：LangChain 提供构建块，LangGraph 提供编排能力，Deep Agents 提供完整框架。根据你的需求选择合适的层次即可。
参考资料
欢迎加入 MCP 技术社区！与志同道合者携手前行，一同解锁 MCP 技术的无限可能！
更多推荐
21
0- 0
已为社区贡献3条内容
所有评论(0)