本文介绍LangChain DeepAgents 0.2版本新功能，包括可插拔后端、工具结果驱逐、对话摘要等。文章对比了DeepAgents与LangChain、LangGraph三者的定位：LangChain是框架，LangGraph是运行时，DeepAgents是智能体工具。DeepAgents适合构建自主性强、处理复杂任务的智能体，开发者可根据需求选择合适技术栈。

一、DeepAgents 可插拔后端（Pluggable Backends）

0.2 版本的核心新增功能是 “可插拔后端”。在此之前，DeepAgents 可访问的 “文件系统” 是一个 “虚拟文件系统”，它依赖 LangGraph 的状态（LangGraph State）来存储文件。

在 0.2 版本中，LangChain 新增了 Backend 抽象层，支持将任意系统接入作为 “文件系统”。内置的后端实现包括：

• LangGraph 状态（LangGraph State）
• LangGraph 数据存储（LangGraph Store，支持跨线程持久化）
• 实际本地文件系统（the actual local filesystem）

LangChain 还引入了 “复合后端（composite backend）” 的概念。借助这一功能，你可以先设置一个基础后端（例如：本地文件系统），再在特定子目录下映射其他后端。复合后端的典型应用场景是实现 “长期记忆” 功能：你可以将本地文件系统设为基础后端，同时将 /memories/ 目录下的所有文件操作映射到由 OSS（对象存储系统）比如：S3 支持的 “虚拟文件系统”。这样一来，智能体在该目录下添加的内容就能突破本地计算机的限制，实现持久化存储。

此外，你还可以自定义后端，在任意数据库或数据存储系统之上构建 “虚拟文件系统”；也可以通过继承现有后端，添加安全防护机制（例如：限制可写入文件的范围）、文件格式校验等功能。

二、DeepAgents 0.2 版本的其他新增功能

除可插拔后端外，0.2 版本还对 DeepAgents 进行了多项优化升级：

• 大型工具结果驱逐（Large tool result eviction）

  当工具返回结果的令牌数超过设定阈值时，自动将结果转存至文件系统。

• 对话历史摘要（Conversation history summarization）

  当对话历史的 Tokens 用量过大时，自动压缩早期对话内容。

• 未完成工具调用修复（Dangling tool call repair）

  若工具调用在执行前被中断或取消，自动修复消息历史记录。

三、何时技术选择 DeepAgents？与 LangChain、LangGraph 的对比

DeepAgents 是 LangChain 重点投入的第三个开源库，但三者定位不同、各有侧重。为明确区分其用途，LangChain 倾向于这样定义：DeepAgents 是 “智能体工具（Agent Harness）”，LangChain 是 “智能体框架（Agent Framework）”，而 LangGraph 是 “智能体运行时环境（Agent Runtime）”。

三者的适用场景具体如下：

• 若你需要构建 “工作流与智能体结合” 的系统，LangGraph 是理想选择。
• 若你希望仅使用核心智能体循环（不依赖任何内置功能），并从零构建所有提示词与工具，LangChain 更适合。
• 若你需要构建自主性更强、运行时间更长的智能体，且希望直接利用规划工具、文件系统等内置功能，DeepAgents 是最佳方案。

从技术架构上看，三者呈层层依赖关系：DeepAgents 构建于 LangChain 的智能体抽象层之上，而 LangChain 的智能体抽象层又基于 LangGraph 的智能体运行时环境开发。

以上清晰呈现了它们在不同维度的差异。从定位来看，LangChain 属于 Framework（框架），LangGraph 是 Runtime（运行时），Deep Agents 则为 Harness（工具）。

核心价值上，LangChain 主打抽象与集成能力；LangGraph 侧重持久执行、流式处理、人在环路（HITL）及持久化功能；Deep Agents 拥有预定义工具、提示词和子智能体优势。

适用场景方面，LangChain 适合快速上手和标准化团队构建；LangGraph 适用于需要底层控制以及长期运行、有状态的工作流和智能体开发；Deep Agents 则在打造更具自主性的智能体，以及处理复杂、非确定性任务的智能体场景中更合适。

此外，根据公司的实际技术情况，也可以进行各工具的替代选择，LangChain 可替换为 Spring AI Alibaba、AI SDK、LlamaIndex 等，LangGraph 有 Temporal、Inngest 可选，Deep Agents 替代工具为 Claude Agent SDK 。

好了，这就是我今天想分享的内容。如果你对构建企业级 AI 大模型应用新架构设计和落地实践感兴趣，别忘了点赞、关注噢~

那么，如何系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

👉大模型学习指南+路线汇总👈

我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。

👉①.基础篇👈

基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程，带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门大模型。

👉②.进阶篇👈

接下来是进阶篇，你将掌握RAG、Agent、Langchain、大模型微调和私有化部署，学习如何构建外挂知识库并和自己的企业相结合，学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。

👉③.实战篇👈

实战篇会手把手带着大家练习企业级的落地项目（已脱敏），比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等，从而帮助大家更好的应对大模型时代的挑战。

👉④.福利篇👈

最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

相信我，这套大模型系统教程将会是全网最齐全 最易懂的小白专用课！！