Deep Agents、LangChain、LangGraph选型指南：三层区别一次讲清

Deep Agents、LangChain 和 LangGraph 各自提供了构建 agent 的不同方法。在本文中，我们将介绍这些开源框架之间的主要区别，以及各自适用的场景。

Deep Agents、LangChain 和 LangGraph 是我们开源 agent 栈的三个层次，基于相同的理念：构建者应当能够拥有其 agent 的每一个部分——他们选择的模型、它看到的上下文，以及运行它的 harness。

每一层都扮演不同角色，并提供不同程度的控制。LangGraph 是 agent runtime，LangChain 是 agent framework，而 Deep Agents 是 agent harness。Runtime 提供最多的控制和最少的抽象；harness 则相反。这三者完全可组合，因此你可以在不同层次之间切换，而不必只选其一。

每一层提供什么

Deep Agents 是一个开箱即用的 agent harness：agent harness 的职责是通过上下文工程，在正确的时间将正确的上下文提供给模型。Deep Agents 开箱即用，内置了一系列相关的最佳实践，包括：

• 一个 filesystem，用于读写上下文（当你不想让它直接出现在 LLM 的上下文窗口中时）
• Subagents，用于在不膨胀主上下文窗口的情况下完成专门的工作
• Skills，以便你可以提供 agent 按需加载的指令和脚本
• Memory，以便 agent 可以在多次运行中学习和改进

它默认还附带了许多其他组件。这些是我们团队不断审查和更新的、有明确主张的上下文管理最佳实践。使用 Deep Agents 的好处之一是，你可以相信我们会不断审视整个领域，并把最佳实践带到这里。

使用 create_deep_agent: 入门很简单

from deepagents import create_deep_agent
 
agent = create_deep_agent(
    model="anthropic:claude-sonnet-5",
    tools=[web_search],
    system_prompt="you are a research agent...",
    # skills 路径，包含 citation-format、source-eval
    skills=["./skills/"],
)

LangChain 是 agent framework：抽象和集成层。它附带了一个极其简约的 agent harness。Deep Agents 附带的是围绕上下文管理的最佳实践，而 LangChain 的 agent 抽象则极其简约，且不预设任何立场。

核心 agent 抽象非常简单：一个 LLM，在循环中运行，调用工具。

这个循环极其简单，却非常强大。不过，有时你可能想要修改这个循环。这些修改通常是为了加入更具确定性的步骤——比如在上下文即将占满时做一次总结，或在最后运行一个验证器。LangChain agent 最强大的地方之一，正是它允许你修改循环的方式。LangChain middleware 提供了一组 hooks，可以以多种方式修改这个循环。

有意思的是：Deep Agents 实际上只是核心 LangChain agent 再加上一堆 middleware。

你可以通过简单的 create_agent 抽象来使用 LangChain agent：

from langchain.agents import create_agent
 
agent = create_agent(
    model="anthropic:claude-sonnet-5",
    tools=[send_email],
    prompt="you are my email assistant...",
    middleware=[...]
)

LangGraph 是 agent runtime：一个基于图的框架，用于自定义 agent 工作流，由持久化引擎提供支持，具备 human-in-the-loop、fault tolerance 以及每一步的可观测性。将 agent 视为图的好处之一是，你可以在其中编码更多确定性，并更精确地控制所发生的步骤。

LangGraph 为 LangChain 和 Deep Agents 中的 agent 抽象提供底层动力（如上所示，以图的形式呈现）。

何时选用哪一个

**经验法则
** 从 Deep Agents 开始。它是一个非常强大的 agent harness，包含了各种实用功能。当你需要对复杂工作流进行建模，或希望完全控制每一步时，请使用 LangChain 和 LangGraph。

Deep Agents

当你想要一个开箱即用的强大 agent 时，请使用 Deep Agents。这是大多数构建者应该开始的地方，只有在需要对 harness 本身进行更多控制时才下探。

假设你正在构建一个 GTM agent。它需要每个销售代表的 memory（包括电子邮件风格偏好和关系理解等）、用于重复性工作流（如 QBR 准备）的 skills，以及用于跨通话记录、新闻和 CRM 历史对账户进行深入研究的 subagents。

这不仅仅是一个玩具示例：我们在 deepagents 上构建了我们的 GTM agent！它目前承载着大量流量，每周近 10k 个请求，超过 150 个活跃用户。26% 的流量由用户发起，其余 74% 由后台的 agent 工作驱动。我们使用 LangSmith deployments 部署它，它同时支持突发流量和计划/事件触发的后台运行。

LangChain

当你需要核心构建模块，或计划在其之上组装自己的定制 harness 时，请使用 LangChain。LangChain 的集成和抽象在任何层级都很有用：在自定义图中、使用 create_agent、以及使用 create_deep_agent。当你希望对每一步到达模型的工具和上下文进行细粒度控制时，它也非常合适；对延迟极其敏感的应用通常就有这种需求。

假设你正在构建一个 RAG 文档问答机器人：给定一个问题，agent 在你的向量存储中搜索相关页面。Agent 循环负责判断是否已得到满意答案，并持续驱动机器人，直到查询完成。这类 agent 不需要借助 subagents 来委派任务，也不需要 filesystem 来管理上下文。LangChain 的集成让你可以将任何向量存储作为工具接入，并选择你想要的任何模型，而 create_agent 为你提供了将这些元素串联起来的循环。

LangGraph

当你的 agent 不适合标准循环，或者你需要在同一工作流中混合确定性和 agentic 步骤时，请使用 LangGraph。

假设你正在构建一个租赁申请处理管道。它有几个步骤：

1. 从每份申请中提取收入、信用和租赁历史
2. 根据房东的标准进行评分
3. 自动批准明显合格者、拒绝明显不合格者，或将边界情况转给人工处理。

只有步骤 1 涉及 LLM，其余是固定代码。这个工作流利用 LLM 从文档中提取信息，但它不会给模型任何可用于采取行动的工具。这是一个相对确定性的管道。

已经在使用 LangGraph？如果价值在于图的结构及其确定性步骤，那就继续使用它。如果你的 LangGraph 流程是高度 agentic 的，迁移到 Deep Agents 可能会让你受益。

全部三层

这三者都是可组合的：将 create_agent 或 create_deep_agent 放入更大的 LangGraph 工作流中，或者将自定义的 LangGraph 工作流作为 subagent 放入 create_agent 或 create_deep_agent 中。

无论你使用哪个包进行构建，都可以使用 LangSmith deployments 部署，并使用 LangSmith observability 进行观测。

平衡确定性与自主性

更多的自主性给了 agent 更大的潜在价值，但代价是可靠性。对于敏感或预设的工作流，以及根本不需要 agentic 的重复性任务，确定性是更好的选择。Agent 越动态，它就越有能力、越有创造力。要了解更多生产环境中这些权衡的示例，请收听 Max Agency，这是我们关于团队如何设计、部署和迭代真实 agent 系统的播客。

这三个层次位于这一光谱上的不同位置。LangGraph 提供最大的确定性：它让你将领域知识直接编码到图的拓扑中，而不是把这个判断留给模型。LangChain 位于中间：核心 agent 循环本质上是不确定的，模型在每一步决定接下来发生什么。Deep Agents 提供最大的自主性：一个 agent 循环，由于内置总结和 subagents 等功能，可以运行更长时间并大规模扇出。

要与构建最佳 agent 的团队进行更深入的交流，请收听我们的播客 Max Agency。

许多 agent 运行在核心 agent 循环之上，但仍需内置一些确定性步骤：审批步骤、合规检查，以及不应交由模型判断的业务规则。Middleware 为 Deep Agents 和 LangChain 解决了这个问题，让你可以围绕核心循环注入这些步骤和 human-in-the-loop 时刻。

如果你需要通过这些内置 hooks 获得比 middleware 提供的更多的灵活性或控制，LangGraph 就是逃生舱，让你构建一个完全自定义的图，将工作流的特定逻辑直接编码到图的结构中，比如上面的扇出与综合示例。

为什么是三层

LangChain 于 2022 年 10 月推出，是让 LLM 应用跑起来最快的方式。随着 agent 变得越来越复杂，人们需要比 chain 所能提供的更多控制，因此我们于 2024 年 1 月推出了 LangGraph：一个基于图的 runtime，将持久化执行、流式传输和 human-in-the-loop 作为一等原语内置其中。

随着模型变得更好，核心 agent 循环——一个负责规划、调用工具并对结果做出反应的模型——变得足够强大，可以标准化。create_agent 成为 LangChain 的极简 harness，我们将其构建在 LangGraph 之上，因为生产环境中的 agent 需要其原语（human-in-the-loop、可观测性、fault tolerance 等）。

随后在 2025 年 7 月，我们更进一步推出了 Deep Agents。它构建在相同的核心循环之上，但默认内置了上述组件（上下文管理、subagents 等）。受 Claude Code 和 Manus 的启发，我们押注构建者希望为自己的用例提供同样强大的 agent，因此我们将 deepagents 构建成了一个通用 harness。

TL;DR

如果你正在构建或重构一个 agent，请从 Deep Agents 的 create_deep_agent 开始，这是我们用于所有内部 agent 的工具：GTM、编码、文档编写等。

当你希望减少内置的上下文管理，并对 agent 循环进行更细粒度的控制时，请选择 LangChain 的 create_agent。

当你需要在自定义工作流中获得更多控制或确定性时，请使用 LangGraph。

致谢

感谢 Harrison Chase、Hunter Lovell、Morgan Curtis 和 Sean Roche 的深思熟虑的评审！

• 原文链接： langchain.com/blog/deep-...
• 鸿途知科网 AI 助手，为大家转译优秀英文文章，如有翻译不通的地方，还请包涵～