Deep Agents vs LangChain vs LangGraph：三层 Agent 技术栈怎么选
Deep Agents vs LangChain vs LangGraph：三层 Agent 技术栈怎么选
译者按：本文翻译自 LangChain 官方博客 Deep Agents vs LangChain vs LangGraph（作者 Sydney Runkle，2026 年 8 月 6 日发布）。为符合中文技术阅读习惯，harness、runtime、framework、middleware、context engineering 等术语保留英文原文。
核心要点
- 三层各司其职：LangGraph 是 agent runtime，LangChain 是 agent framework，Deep Agents 是 agent harness。runtime 控制力最强、抽象最少；harness 恰好相反。
- 三者可自由组合，不是三选一——你可以随时在层与层之间上下移动。
- 经验法则：先上 Deep Agents；需要建模复杂工作流、或想完全掌控每一步时，再用 LangChain 和 LangGraph。
Deep Agents、LangChain和 LangGraph各自提供了不同的构建 agent 的方式。本文讲清我们这套开源框架之间的关键区别，以及各自该在什么时候登场。
Deep Agents、LangChain、LangGraph 是我们开源 agent 技术栈的三层，它们建立在同一个理念上：构建者应当能掌控 agent 的每一部分——自己选的模型、它看到的上下文、以及运行它的 harness。
每一层扮演不同角色，提供不同程度的控制力。LangGraph 是 agent runtime，LangChain 是 agent framework，Deep Agents 是 agent harness。runtime 提供最大的控制权和最少的抽象；harness 则相反。三者完全可组合，所以你可以在层与层之间移动，而不是只能挑一个。
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 context engineering，在正确的时间把正确的上下文送到模型面前。Deep Agents 为此内置了一整套最佳实践，包括：
- 一个文件系统，用来读写上下文（当你不想让它直接占着 LLM 的上下文窗口时）
- Subagents，用来做专门的工作，又不撑爆主上下文窗口
- Skills，让你能提供可按需加载的指令和脚本
- Memory，让 agent 能跨多次运行学习、变强
它默认还带了很多其他部件。这些都是有主见的上下文管理最佳实践，我们的团队会持续审阅、不断更新。用 Deep Agents 的一个好处是：你可以信任我们持续扫视整个领域，把最佳实践带进来。
上手很简单，用 create_deep_agent即可：
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...",
# 带引用格式、来源评估的 skills 路径
skills=["./skills/"],
)LangChain 是 agent framework：抽象与集成层。它自带一个极为精简的 agent harness。Deep Agents 附带了围绕上下文管理的最佳实践，而 LangChain 的 agent 抽象则极其精简、不做预设。
核心 agent 抽象很简单：一个 LLM，跑在循环里，调用工具。
这个循环简单到极致，却又极其强大。不过，有些时候你会想改这个循环。这些修改通常是为了加入更多确定性步骤——比如上下文快满时做摘要，或者在结尾跑一个验证器。LangChain 的 agent 最强大的部分之一，就是我们让你加这些修改的方式：LangChain middleware提供了一组 hook，能以各种方式改造这个循环。
冷知识：Deep Agents 其实就是 LangChain 核心 agent 加一堆 middleware！
你可以用 create_agent这个简洁的抽象来使用 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 graph 的框架，用来构建自定义 agent 工作流，背后是一台持久化引擎，把 human-in-the-loop、容错和每一步的可观测性都作为一等公民。把 agent 看成 graph 的一个好处是，你能把更多确定性编码进去，更精确地控制发生的每一步。
LangChain 和 Deep Agents 里的 agent 抽象（就是上面那些，画成 graph 的样子）都由 LangGraph 驱动。
什么时候该用哪一层
经验法则：从 Deep Agents 开始。它是一个功能齐全、相当强大的 agent harness。当你需要建模复杂工作流，或者想完全掌控每一步时，再去用 LangChain 和 LangGraph。
Deep Agents
当你想开箱得到一个能力强的 agent 时，用 Deep Agents。这是大多数构建者应该起步的地方，只有当你要对 harness 本身有更多控制时，才往下沉。
假设你要做一个 GTM agent。它需要按销售代表区分的记忆（比如邮件风格偏好、对客户关系的理解），需要处理 QBR 准备之类重复工作流的 skills，还需要 subagents 去跨通话记录、新闻和 CRM 历史，对一个 account 做深度调研。
这不只是玩具例子：我们的 GTM agent就是基于 deepagents 造的！它目前流量很高，每周近 1 万次请求，150+ 活跃用户。其中 26% 的流量由用户发起，剩下 74% 来自环境（ambient）agent 工作。我们用 LangSmith deployments部署它，既能扛住突发流量，又能跑定时/事件触发的 ambient run。
LangChain
当你想要核心积木，或者计划在它之上组装自己的定制 harness 时，用 LangChain。LangChain 的集成与抽象在任何层级都有用：自定义 graph 里、create_agent 里、create_deep_agent 里。它同样适合你想对"每一步哪些工具和上下文到达模型"做细粒度控制的场景——对延迟极度敏感的应用往往需要这个。
假设你要做一个 RAG 文档问答 bot：给定一个问题，agent 在你的向量库里搜索相关页面。agent 循环负责判断是否已经得到满意答案，并驱动 bot 直到查询完成。这类 agent 不需要通过 subagents 做任务委派，也不需要文件系统做上下文管理。LangChain 的集成让你能把任意向量库当工具接进去、挑任意模型，而 create_agent 给你把它们串起来的循环。
LangGraph
当你的 agent 不适合标准的循环，或者需要在同一个工作流里混合确定性与 agentic 步骤时，用 LangGraph。
假设你要做一条租房申请处理流水线，它有几个步骤：
- 从每份申请里抽取收入、信用和租房历史
- 按房东的标准打分
- 明显合格就自动批准，明显不合格就拒绝，边界情况升级给人工
只有第 1 步用到了 LLM，其余都是固定代码。这个工作流用上了 LLM 从文档中抽取信息的能力，但不给模型任何可以采取行动的工具。它是一条相对确定性的流水线。
已经用上 LangGraph 了？如果价值在于 graph 的形状和它的确定性步骤，就留在 LangGraph。如果你的 LangGraph 流程高度 agentic，迁移到 Deep Agents 可能会让你受益。
三者结合
三者是可组合的：把 create_agent 或 create_deep_agent 放进一个更大的 LangGraph 工作流里，或者把一个自定义 LangGraph 工作流当成 subagent 放进 create_agent 或 create_deep_agent。
无论你用哪个包构建，都能用 LangSmith deployments部署，用 LangSmith observability观测。
在确定性与自主性之间权衡
自主性越高，agent 的潜在价值越大，代价是可靠性下降。对敏感的、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。而 agent 越动态，就越有能力、越有创造力。想看更多这类权衡在生产中的例子，可以听 Max Agency——我们关于团队如何设计、部署、迭代真实 agent 系统的播客。
三层处在这条光谱的不同位置。LangGraph 提供最大的确定性：它让你把领域知识直接编码进 graph 的拓扑结构，而不是把这个判断留给模型。LangChain 居中：核心 agent 循环本身是非确定性的，每一步都由模型决定接下来发生什么。Deep Agents 提供最大的自主性：借助摘要、subagents 这些内置特性，它的 agent 循环能跑得更久、更大规模地扇出。
想和打造顶尖 agent 的团队深入交流，听我们的播客 Max Agency。
很多 agent 跑在核心 agent 循环上，但仍需要内置几个确定性步骤：一个审批步骤、一道合规检查、一条不该交给模型的业务规则。middleware 为 Deep Agents 和 LangChain 解决了这个问题，让你能在核心循环周围注入这些步骤和 human-in-the-loop 时刻。
如果你需要的灵活性或控制力超出了 middleware 通过这些内置 hook 能提供的范围，LangGraph 就是那条逃生通道：它让你构建一个完全自定义的 graph，把工作流的特定逻辑直接编码进它的形状里，就像上面那个扇出再汇总的例子。
为什么会有三层
LangChain 于 2022 年 10 月发布，是当时让 LLM 应用跑起来最快的方式。随着 agent 越来越复杂，人们需要的控制力超出了 chain 能提供的，于是我们在 2024 年 1 月推出了 LangGraph：一个基于 graph 的 runtime，把持久化执行、流式输出和 human-in-the-loop 作为一等 primitives 内置。
随着模型变强，核心 agent 循环——一个能规划、调用工具、对结果做出反应的模型——强大到足以被标准化。create_agent 成了 LangChain 的最小 harness，我们把它建在 LangGraph 之上，因为生产级 agent 需要它的那些 primitives（human-in-the-loop、可观测性、容错等）。
然后在 2025 年 7 月，我们又往前走了一层，推出 Deep Agents——建在同一个核心循环上，但把前面提到的那些组件（上下文管理、subagents 等）默认打包进去。受 Claude Code 和 Manus 启发，我们押注构建者想要同等能力、又能用于自己场景的 agent，于是把 deepagents 做成了一个通用 harness。
TL;DR
如果你在建或改造一个 agent，从 Deep Agents 的 create_deep_agent开始——我们内部所有 agent（GTM、编程、文档写作等）都用它。
当你想要更少的内置上下文管理、对 agent 循环更细粒度的控制时，改用 LangChain 的 create_agent。
当你在自定义工作流里需要更多控制或确定性时，用 LangGraph。
致谢
感谢 Harrison Chase、Hunter Lovell、Morgan Curtis和 Sean Roche的细致审阅。
参考文档与链接
- Deep Agents vs LangChain vs LangGraph（原文） — LangChain 官方博客，Sydney Runkle，2026-08-06
- Deep Agents 概览 — harness、文件系统、subagents、skills、memory
- LangChain 概览 — agent framework 与抽象/集成层
- LangGraph 概览 — agent runtime 与持久化执行
- create_deep_agent 快速上手 — Deep Agents 起步
- create_agent 快速上手 — LangChain 最小 harness
- How middleware lets you customize your agent harness — middleware hook 详解
- How we built LangChain's GTM agent — 文中 GTM agent 的真实案例
- 3 years of graph engineering with LangGraph — 把工作流逻辑编码进 graph 形状
- LangSmith deployments — 三层通用的部署方案
- LangSmith observability — 三层通用的可观测性
- Max Agency 播客 — 真实 agent 系统的设计与迭代
你现在用的是哪一层？有没有该下沉到 LangGraph、却还硬扛在高层的情况？评论区聊聊。觉得有用的话，点个赞让更多人看到。
作者: itech001
来源: 公众号：AI人工智能时代(the-ai-era)
网站: https://www.theaiera.top/
关注每日最新AI新闻和技术博客，主页有更多的文章的AI 技术参考：https://www.theaiera.top
本文首发于 AI人工智能时代，转载请注明出处。
