两个月前，LangChain 官方 “深度智能体（DeepAgents）”。这一术语由 LangChain 提出，特指能够在较长时间范围内完成复杂、开放式任务的智能体。当时 LangChain 推测，这类智能体包含四大核心要素：规划工具、文件系统访问权限、子智能体，以及详细的提示词。

LangChain 已将 DeepAgents 作为 Python 包发布，该包已整合上述所有核心要素的基础功能。因此，你只需提供自定义工具和自定义提示词，就能轻松构建一个深度智能体（Deep Agent）。

目前，DeepAgents 已获得广泛关注与采用。如今，我们欣喜地宣布推出 0.2 版本，进一步加大对该项目的投入。本文将介绍 0.2 版本相较于初始版本的新增功能，以及何时应选择使用 deepagents（而非 langchain 或 langgraph）。

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 。

四、如何系统的学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传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】