LangChain/LangGraph/Deep Agents的关系与区别
本文档用于清晰区分 LangChain、LangGraph、Deep Agents 三者的定位与使用场景，帮你快速选择合适的开发工具。
一、整体概览
LangChain 维护了多套开源工具包，用于构建智能体（Agent），在技术栈中分别对应三类角色：
Agent Framework（智能体框架）：快速开发、提供高层抽象
Agent Runtime（智能体运行时）：生产级执行、状态与持久化管控
Agent Harness（智能体控制层）：开箱即用、内置规划与子智能体能力
二、核心对比表
1. 定位与价值
三、详细说明
1. 智能体框架（以 LangChain 为例）
作用：提供高层抽象，降低 LLM 应用开发门槛。
封装：结构化内容块、智能体循环、中间件
易用性强，兼顾灵活性
适合使用 LangChain 的场景
希望快速搭建智能体与自主应用
需要统一抽象：模型、工具、智能体循环
构建结构相对直接的智能体应用
团队需要标准化开发范式
2. 智能体运行时（以 LangGraph 为例）
作用：面向生产环境的智能体执行引擎。 核心能力：
持久执行：故障恢复、长时间运行
流式输出：支持工作流与响应流式返回
人工介入（HITL）：可查看、修改智能体状态
状态持久化：会话级、跨会话状态管理
底层可控：直接控制编排逻辑，少高层封装
LangGraph 是底层编排框架，LangChain 1.0 基于 LangGraph 构建。
适合使用 LangGraph 的场景
需要细粒度、底层控制智能体编排
需要持久执行的长时、有状态智能体
构建确定性步骤 + 智能体行为混合的复杂流程
需要生产级部署基础设施
3. 智能体控制层（以 Deep Agents SDK 为例）
作用：高度集成、开箱即用的智能体套件（基于 LangGraph）。 内置能力：
规划能力：多任务清单管理
任务委派：子智能体分工
文件系统：多存储后端读写
Token 管理：对话总结、大结果自动清理
适合使用 Deep Agents SDK 的场景
构建长时间运行的智能体
处理复杂、多步骤、需要拆解的任务
需要内置工具（文件、执行、上下文工程）
需要预制提示词与子智能体
四、功能特性简表
五、快速选型指南
快速做应用、原型、标准化开发 → 用 LangChain
做复杂工作流、生产级部署、要可控与持久化 → 用 LangGraph
做高度自主、会规划、能长时间跑的复杂智能体 → 用 Deep Agents SDK
