一、概述

随着大预言模型的出现，使其迅速成为 AI 应用开发的核心技术。过去的软件开发主要依赖：

• 明确的业务规则
• 固定的流程
• 确定性的代码逻辑

而 LLM 带来了完全不同的开发模式：通过自然语言，让机器具备理解、推理和生成能力。但是，一个真正可用的 AI 应用，并不是简单调用一次 LLM API 就可以完成。

例如一个企业智能客服，需要：

• 理解用户问题
• 查询订单数据库
• 检索企业知识库
• 调用业务接口
• 根据结果进行判断
• 执行后续操作

这已经不再是简单的文本生成，而是一个能够感知环境、规划任务、调用工具并完成目标的智能系统。这也是 Agent（智能体）出现的原因。而 LangChain 正是目前构建 LLM Agent 最成熟、生态最完善的通用框架之一。

二、Agent的目标

三、Agent是什么

LangChain 官方提出：

Agent = Model + Harness

这是理解 LangChain 最重要的概念。

Model

Model 指：提供推理能力的大语言模型。

例如：

• GPT
• Claude
• Gemini
• Qwen

可以理解为：

Model = 大脑

Harness

Harness 可以理解为：围绕模型运行的一套控制系统。

它负责：

• 给模型提供上下文
• 管理工具调用
• 控制执行流程
• 保存状态
• 约束输出

可以理解为：

Harness = 身体 + 神经系统

因此：

LLM 是一匹脱缰的野马，而 Harness 正是套在其身上的马具，使得原本强大却不受控的生成能力被约束方向、注入记忆与工具调用，转化为能稳定规划、可靠执行复杂任务的可用智能体。

而 LangChain 做的事情，就是帮助开发者构建这个 Harness。

四、Harness 包含什么？

一个 Agent Harness 通常包含的内容如图所示：

五、为什么要用LangChain

如果直接开发 Agent，需要自己处理：

• 不同模型 API 差异
• Prompt 管理
• Tool 调用协议
• 消息格式
• Agent 循环
• 状态管理

LangChain 对这些能力进行了抽象。

它提供：

1. 统一模型接口
2. Prompt管理
3. Tool系统
4. Agent运行机制
5. Memory管理
6. RAG支持
7. Workflow编排

开发者可以通过组合组件快速构建 AI 应用。

例如：

agent = create_agent(
    model="gpt-5",
    tools=[
        search_tool,
        database_tool
    ]
)

一个具备工具调用能力的 Agent 就创建完成。

六、LangChain 核心组件

组件	作用	Agent中的角色
Models	统一封装 GPT、Claude、Gemini 等模型接口	大脑
Messages	定义 user/assistant/tool 等消息结构	对话消息协议
Tools	连接外部 API、数据库、函数	手脚
Structured Output	约束 JSON、Schema 等输出格式	输出控制
Streaming	Token 流式输出	实时响应
Event Streaming	监听 Agent 执行事件	可观测能力
Short-term Memory	保存当前会话状态	短期记忆
Agents	管理决策循环和工具调用	核心运行器

七、LangChain、LangGraph、Deep Agents、LangSmith 的关系

组件	作用	类似
LangChain	提供基础组件	基础组件库
LangGraph	控制复杂流程	工作流引擎 / 状态机
Deep Agents	高级 Agent 架构	企业级设计模式
LangSmith	监控和管理	APM + DevOps 平台

这四个组件可以理解为 LangChain 生态中，从“构建 LLM 应用”到“构建复杂 Agent 系统”，再到“生产环境管理”的完整技术体系。

1. LangChain：构建 LLM 应用的基础框架

LangChain 是整个生态的基础。它解决的问题是如何快速把 LLM、Prompt、工具、数据源组合成一个应用。

LangChain 提供：

• Model 封装
• Prompt 管理
• Tool 接入
• Memory
• Chain

可以理解为：LangChain 提供了构建 Agent 的“零件库”。

2.LangGraph：负责复杂流程编排

LangGraph 是建立在 LangChain 之上的 Agent 工作流编排框架，主要用于解决复杂 Agent 应用中的流程控制问题。

在简单场景下，使用 LangChain 的 Chain 可以将多个步骤串联起来：

输入 → 处理 → 调用模型 → 输出

但是随着 Agent 能力增强，业务流程会变得更加复杂，例如：

• 需要保存和维护执行状态
• 需要根据结果进行条件判断
• 需要循环执行任务
• 需要人工参与决策
• 需要多个 Agent 协同完成任务

传统 Chain 基于线性的流程模型，难以描述这种动态、复杂的执行过程。

这时候就需要使用 LangGraph。

LangGraph 的核心定位

LangGraph 本质上是一个基于图结构（Graph）的 Agent 工作流引擎。

它将 Agent 执行流程抽象成：

• 节点（Node）：表示具体执行任务，例如调用 LLM、执行工具、处理数据等。
• 边（Edge）：表示节点之间的流转关系，定义执行顺序。
• 状态（State）：保存整个 Agent 工作过程中的上下文信息。

通过图结构，Agent 不再局限于固定的线性流程，而可以实现：

          ┌─────────┐
          ↓         │
开始 → 分析 → 执行 → 检查
          ↑         │
          └─ 修改 ──┘

这种带有循环、判断和状态变化的流程，就是 LangGraph 擅长解决的问题。

3. Deep Agents：高级 Agent 的工程模式

Deep Agents 可以理解为：基于 LangChain + LangGraph 总结出来的一套构建复杂 Agent 的最佳实践。

Deep Agents 关注：

• 任务规划 Planning
• 子任务拆解
• Deep Agents 可以理解为基于 LangChain + LangGraph 总结出来的一套构建复杂 Agent 的工程实践。

普通 Agent 更多关注「如何调用大模型和工具」，而 Deep Agents 关注的是如何让 Agent 像一个真正的智能助手一样完成复杂任务。

当任务变复杂时，Agent 不仅需要回答问题，还需要：

• 进行任务规划（Planning）
• 拆解复杂目标
• 调度多个子 Agent 协同工作
• 保存长期记忆
• 根据执行结果进行自我反思和优化
• 操作文件和项目资源
• 支持长时间运行任务

因此，Deep Agents 更像是一套高级 Agent 的架构模式，帮助开发者构建能够自主规划、持续执行和协作完成复杂任务的智能系统。

4. LangSmith：Agent 的生产管理平台

1. Tracing（链路追踪）

LangSmith 可以看到完整过程。对于一次用户请求，能够查看从prompt到最终答案的整个链路。

2. Evaluation（评估）

用于比较不同 Prompt、模型或流程的效果。

例如：

Prompt A：准确率 82%

Prompt B：准确率 91%

帮助优化 Agent。

3. Monitoring（生产监控）

可以查看：

• 请求量
• 延迟
• Token 消耗
• 错误率

八、总结

从广义上来讲，LangChain 指的是整个 LangChain 生态体系，它不仅包含用于构建 Agent 的核心框架，还包括：

• LangChain：用于构建 LLM 应用和 Agent 的开发框架；
• LangGraph：用于构建复杂、有状态 Agent 工作流的编排框架；
• LangSmith：用于 Agent 调试、追踪和评估的平台；
• Deep Agents：基于 LangChain 构建的更高层次、开箱即用的 Agent 解决方案。

而从狭义上来讲，LangChain 指的是核心开发框架，它通过提供 Model、Prompt、Messages、Tools、Memory、Agents 等基础抽象，让开发者能够更加方便地将大语言模型接入实际业务场景。

过去，我们更多关注：如何让模型生成更准确、更自然的内容。

而 Agent 时代关注的是：如何让模型能够理解目标、调用工具、执行任务，并稳定完成复杂工作。

LLM 提供了强大的推理和生成能力，是 Agent 的智能核心；而 LangChain 则负责构建围绕 LLM 的工程化能力，让模型能够连接外部工具、管理上下文、执行复杂流程。

LLM 提供智能，而 LangChain 提供让智能能够稳定运行的工程化框架。