LangChain-AI 技术调研报告

本文是一份 系统性、工程导向的 LangChain-AI 技术调研报告 ，从 整体技术体系、设计理念、核心能力、工程特性、应用架构与生态对比 等多个维度，全面分析 LangChain、LangGraph 与 DeepAgents 。

---

一、技术体系总体概览

LangChain-AI 将智能体系统拆分为三个层级：

LLM Providers

LangChain Agent & App DSL

LangGraph Stateful Runtime

DeepAgents Autonomous Agent Harness

• LangChain：Agent 与 LLM 应用的开发框架（DSL 层）
• LangGraph：Agent 的执行引擎与状态运行时（Runtime 层）
• DeepAgents：面向长期自治任务的高阶 Agent 工具箱（Harness 层）

二、LangChain

2.1 技术定位与设计目标

LangChain 是一个 面向 LLM 应用与 Agent 的开发框架（Developer‑Facing Framework），其核心设计目标是：

• 降低 LLM 应用与 Agent 的开发门槛
• 提供统一、可组合的抽象层（模型 / Prompt / Tool / Agent）
• 让开发者专注“Agent 能做什么”，而不是“底层如何接模型”

LangChain 并不试图解决执行可靠性、状态持久化等问题，而是将这些职责下沉给 LangGraph。

---

2.2 能力模块

1. 标准化 LLM / ChatModel 接口

• 通过 chat_models 统一封装不同模型厂商（OpenAI、Anthropic 等）
• 屏蔽 API 差异，支持流式、工具调用、多模态

App

ChatModel

OpenAI

Anthropic

能力价值：

• 模型可替换性强
• 避免供应商锁定

---

2. Prompt Template 与消息结构化

• 提供 PromptTemplate / ChatPromptTemplate
• 将 Prompt 视为可组合、可维护的结构化对象

Variables

PromptTemplate

LLM

能力价值：

• Prompt 工程化
• 减少字符串拼接错误

---

3. Tool 抽象与工具调用机制

• Tool = 函数 + 描述 + Schema
• 自动转为模型可理解的 Function / Tool Calling 格式

AgentLLMTool推理 + 选择工具调用返回结果AgentLLMTool

能力价值：

• LLM 具备“行动能力”
• 支持外部系统集成

---

4. 预构建 Agent Loop

• 内置 ReAct / Tool‑Calling Agent
• 自动管理思考 → 行动 → 反馈循环

Input

Reasoning

ToolCall

Observation

能力价值：

• 快速构建可用 Agent
• 降低 Agent 心智负担

---

5. Callback / Middleware 扩展机制

• 在 LLM / Tool 调用生命周期插入自定义逻辑
• 用于日志、监控、安全审计、Tracing

BeforeCall

LLM

AfterCall

能力定位总结：

LangChain 是 Agent 与 LLM 应用的开发框架（DSL），而非执行引擎。

---

三、LangGraph

官方资源：

• 项目主页：github.com/langchain-a…
• 官方文档：docs.langchain.com/oss/python/…
• Concepts（Graph / State）：docs.langchain.com/oss/python/…

3.1 技术定位与设计目标

LangGraph 是一个 面向 Agent 的状态化执行引擎（Stateful Runtime），用于解决 LangChain 明确不解决的问题：

• Agent 执行过程如何建模？
• 如何支持长时间运行与失败恢复？
• 如何让人类参与执行过程？

LangGraph 的核心思想是：Agent 本质上是一个状态机，而不是一个黑盒循环。

---

3.2 执行模型与抽象层级

LangGraph 以 Graph 为一等抽象：

• Node：执行单元（LLM、工具、逻辑）
• Edge：执行路径
• State：系统级共享状态

---

3.3 能力模块

1. Graph‑based 执行模型

• 将 Agent 工作流建模为 有向图
• Node = 执行单元，Edge = 执行路径

条件1

条件2

Start

NodeA

NodeB

NodeC

End

能力价值：

• 显式控制执行路径
• 支持分支、循环、回退

---

2. 显式 State 建模

• 使用 TypedDict / Dataclass 定义系统状态
• 每个节点显式读写 State

State0

Node

State1

能力价值：

• 系统级可观测状态
• Agent 行为可解释

---

3. Durable Execution（持久执行）

• 自动 Checkpoint
• 失败可恢复、可重放

Execute

Checkpoint

Resume

能力价值：

• 支持长时间运行任务
• 工程级可靠性

---

4. Human‑in‑the‑Loop 支持

• 执行中可暂停
• 人工修改 State 后继续

AgentSystemHuman执行到关键节点请求审核确认/修改继续执行AgentSystemHuman

5. 子图（Subgraph）与组合

• 支持嵌套 Graph
• 复杂流程模块化

能力定位总结：

LangGraph 是 Agent 的状态机与执行运行时，关注“怎么跑得稳”。

---

四、DeepAgents

官方资源：

• 项目主页：github.com/langchain-a…
• 官方文档：docs.langchain.com/oss/python/…
• Middleware & Skills：docs.langchain.com/oss/python/…

4.1 技术定位与设计目标

DeepAgents 是一个 面向长期自治任务的 Agent Harness（能力整合层），其目标不是“让 Agent 能跑”，而是：

• 让 Agent 能独立完成复杂项目级任务
• 让 Agent 具备规划、反思、上下文管理能力
• 让 Agent 像一个“数字员工”而不是脚本

DeepAgents 明确构建在 LangGraph Runtime 之上，并复用 LangChain 的 Agent 抽象。

---

4.2 能力组织方式（Harness / Middleware / Skills）

DeepAgents 不强调底层 API，而是通过 能力组合：

• Middleware：拦截与增强 Agent 行为
• Skills：可复用的领域能力包
• 内置工具集：规划、文件系统、子 Agent

---

4.3 能力模块

1. 任务规划与 Todo 管理

• 内置 Planning 能力
• 自动将复杂目标拆解为可执行步骤

Goal

Plan

Todo1

Todo2

Todo3

能力价值：

• 支持长链路复杂任务

---

2. Middleware 驱动的能力扩展

• 通过 Middleware 为 Agent 注入能力模块
• 如规划、文件管理、反思、子 Agent 管理

AgentCore

MiddlewareA

MiddlewareB

MiddlewareC

能力价值：

• 能力模块化
• Agent 行为可组合

---

3. 文件系统作为长期上下文

• 提供 read_file / write_file / edit_file
• 用文件替代 Prompt 作为主要信息载体

Agent

FileSystem

能力价值：

• 突破上下文窗口限制
• 支持项目级任务

---

4. Subagent 机制

• 主 Agent 负责调度
• 子 Agent 执行专用子任务

MainAgent

SubAgent1

SubAgent2

能力价值：

• 上下文隔离
• 并行执行

---

5. 长期记忆与自治执行

• 基于 LangGraph 的 Store
• 支持跨会话、跨线程记忆

能力定位总结：

DeepAgents 是 面向长期自治任务的 Agent Harness，关注“怎么自己把事干完”。

---

五、总结对比

技术栈	核心能力关键词	技术定位
LangChain	LLM 集成、Agent DSL、Tools、Middleware	Agent 开发框架
LangGraph	状态机、持久执行、Graph 编排	Agent Runtime
DeepAgents	规划、子 Agent、文件上下文、自治	自治 Agent 工具箱

---

六、典型应用架构示例

1. 基于 LangChain 的轻量级 Agent 架构

User

Agent

ChatModel

Tools

ExternalAPI

说明：

• 适合聊天机器人、RAG、简单工具 Agent
• Agent 生命周期短，同步执行
• 主要关注 Prompt、Tool、模型效果

---

2. 基于 LangChain + LangGraph 的生产级 Agent 架构

User

Graph

State

NodeLLM

NodeTool

Store

说明：

• 显式状态建模（State）
• 支持失败恢复、长时间运行
• 适合流程型 Agent、企业自动化

---

3. 基于 DeepAgents 的自治 Agent 架构

User

MainAgent

Planner

TodoList

FileSystem

SubAgent1

SubAgent2

说明：

• 面向复杂、长期、多步骤任务
• 文件系统作为主要上下文载体
• 子 Agent 并行执行、上下文隔离

---

七、与其它主流 Agent 技术栈的横向对比

对比参考官方资料：

• AutoGen：github.com/microsoft/a…
• CrewAI：github.com/joaomdmoura…
• OpenAI Agents SDK：platform.openai.com/docs/agents

1. 架构设计对比

技术栈	核心架构思想	是否有 Runtime	状态是否一等公民
LangChain	Agent DSL + 工具抽象	否（依赖 LangGraph）	否
LangGraph	Graph 状态机	是	是
DeepAgents	自治 Agent Harness	是（基于 LangGraph）	是
AutoGen	多 Agent 对话	否	否
CrewAI	角色驱动流程	有限	否
OpenAI Agents SDK	原生 Tool + Memory	否	否

---

2. 能力维度对比

能力维度	LangChain	LangGraph	DeepAgents	AutoGen	CrewAI
LLM 抽象	强	中	中	中	弱
状态管理	弱	强	强	弱	弱
长任务	弱	强	极强	弱	中
子 Agent	弱	中	强	强	强
工程可靠性	中	强	强	弱	中

---

八、结论

LangChain‑AI 提供的是一套 分层、可组合、工程友好的 Agent 技术体系：

• LangChain：降低 Agent 开发门槛
• LangGraph：保证执行可靠性与可控性
• DeepAgents：实现长期自治与复杂任务处理

在当前 Agent 技术生态中，该体系在 工程成熟度、可扩展性和长期任务支持 方面具备明显优势。