Agent 框架：LangGraph / DeepAgents 与取舍

一句话定位：框架把 Agent 的循环、状态、持久化封装成库——LangChain 给标准件，LangGraph 给运行时，DeepAgents 给现成外壳；本文讲三层各给什么、怎么对号入座，以及框架什么时候是负资产。前置：Agent 基础——模型加循环加工具加刹车，那套「手搓」底盘。

先从一次选型的纠结说起

你把一个原型做成了正经项目：一个每天自动汇总项目进展、写日报的 Agent。本地跑通了，接下来是工程化——搜索选型，结果扑面而来：LangChain、LangGraph、DeepAgents、OpenAI Agents SDK、AgentScope……名字都带 Agent，宣传语一个比一个像。

麻烦在于它们长得像、层次完全不同。拿错层级，代价立现：想快速起步却从零手写主循环，等于重造标准件；想深度定制每一步的行为，却把底盘架在现成外壳上，自定义改不动；最常见的坑是把标准件库当运行时用——循环行为跟着库的版本走，库一升级你的 Agent 跟着抖。

这几层到底各管什么？什么时候该用框架，什么时候框架反而是负资产？

官方自己就把层次说清了（出处见文末参考）：LangChain 是框架——标准件与集成层；LangGraph 是运行时——状态图与持久化；DeepAgents 是现成的 Agent 外壳（harness）——文件系统、计划能力、子代理预装。选型先对号入座，再谈取舍。

图：Agent 框架三层——①标准件 ②运行时 ③现成外壳，逐层加码、逐层让渡控制；④你的代码始终在顶上；右侧是⑤手写路线的对照

渐进拆解：从标准件到整盒套装

类比：三个框架是一套乐高体系

LangChain 是标准积木块——凸点尺寸全行业统一，任何底板都通插，换模型供应商时调用代码不用动；LangGraph 是你自己画的传动结构——每个齿轮（节点）怎么转、哪里装离合器（暂停）、哪里允许倒带（回滚），图纸上说了算；DeepAgents 则是整盒套装——按说明书预拼好的成品车，开箱就能跑，想改也随时能拆。同一家出品，越往上拼得越全，越往下留给你的自由度越大。

LangChain：标准件层（①）

它解决的是「每家模型 API 长得都不一样」的碎片化。四大组件各管一摊：

ChatModel：模型调用收进统一入口，换供应商不改代码。
消息：按角色分格装，人设、对话、工具结果各有其位。
@tool 装饰器：登记工具，名字、描述、参数格式三件套齐了就能被模型调用。
create_agent：一个函数把「模型在循环里调工具」组装起来。

1.0 版（2025 年 10 月）把这套循环的每个环节都挂上了 middleware（中间件）钩子，官方内置三种：工具调用前先过人工审批（这是工具级的把关，区别于后文流程节点级的暂停）、对话快到上限时自动压缩历史、敏感信息自动脱敏。

另有 store（长期记忆库）管跨会话的记忆，按命名空间隔离——它承载的是常驻区的记忆，与会话内的短期记忆分工，正好呼应Context 工程里「常驻 / 本任务 / 机动」的三区分法。

另有配套的商业 SaaS LangSmith——调用追踪、数据集评测、线上监控；三层开源件管「怎么搭」，它管「跑得怎么样」。

把这一层的零件与组装关系画在一起：

图：LangChain 标准件层——ChatModel、消息、@tool 由 create_agent 组装成循环，middleware 挂钩、store 记忆，LangSmith 管跑得怎么样

LangGraph：运行时层（②）

标准件拼出的是「一问一答再调个工具」，真实业务要的是有状态、能暂停、会分支的流程。LangGraph 把流程组织成 StateGraph（状态图）：状态是唯一事实源，节点是动作，边是走向，条件边负责分支与循环；多个分支写同一个状态键时，由 reducer（归约函数）定合并规则。真正让它区别于手写循环的是三件套：

Checkpoint（存档，⑥）：每走一步自动存档，thread_id 就是存档槽——不同用户、不同会话各占一槽互不干扰（⑦）；服务器重启，从最近存档续跑，长任务不用从头再来。
Interrupt（暂停键，⑧）：流程停在指定节点等人审批，通过后从存档恢复继续走——跨天的审批流也不在话下。
time travel（读旧档，⑨）：回到历史任意存档，改状态重跑——调试时按步复现问题，不用整段重放。

图：Checkpoint 三件套——⑥⑦存档（每步自动存档 + 槽位隔离）、⑧暂停审批、⑨读档回滚兜住调试

多 Agent 时的组装件：子图

把一张图封装成父图里的一个节点，就是子图——多 Agent 协作时每个 Agent 管一张小图，主图的 supervisor（派工）节点负责分派与汇总；recursion_limit 给整个循环上保险（默认上限 25 步），是②里的步数刹车，防止两个 Agent 互相踢皮球转不停。

DeepAgents：现成外壳层（③）

官方对它的称呼是「现成的 Agent 外壳」：在 create_agent 之上预装了五样东西。

计划工具——开工前先把目标拆成待办清单，干到哪、还剩多少，清单上见。
文件系统——一组读、写、改、搜的文件工具，后端可插拔：默认存在会话状态里，也能换成本地磁盘、远程沙箱，或按路径组合路由。
文件化记忆——Agent 写给自己的工作笔记，跨轮累积，「文件系统即记忆」。
Skills（技能包）——可复用的行为，按需加载且加载是渐进式的：先看名字和描述，判定相关才展开正文，省得全部塞进上下文（这条机制的完整形态，后续 Claude Code 的 Skills 一篇细讲）。
Subagent 委托——主 Agent 把一块活分给子代理，子代理的中间过程不回灌主上下文、只交回结论——这正是 Context 工程说的注意力预算最划算的花法。

五样预装叠在底座上的样子，一张图看清：

图：DeepAgents 外壳五样预装——计划、文件系统、文件化记忆、Skills 渐进披露、子代理只交结论，全部叠在 create_agent 底座上

大白话：零件、底盘与整车

LangChain 给零件，LangGraph 给底盘和变速箱，DeepAgents 给整车。零件通配、底盘可改、整车开箱即走——同一家的货，越往上越省事，越往下越可控。

演进史与口碑

2022 年 10 月：Harrison Chase 开源 LangChain，最初只是把 Prompt、模型、输出解析器「链」起来的库——名字里的 Chain 由此而来。
2023 年：ChatGPT 应用潮把它推上风口，4 月即公司化，Benchmark 千万美元种子轮、红杉领投逾两千万美元接连落定。
0.x 还债期：爆火与恶名同步累积，批评集中在三点——抽象太重、包的表面积失控、偏离预置用法时定制困难；0.1 到 0.3 的连续重构、拆出 langchain-core，都是在给这段野蛮生长期还债。
1.0 收敛定版：三点批评后来全部被官方认领，1.0 公告原话「抽象有时太重，包的表面积涨到难以驾驭」，并称这是听了三年的「一致反馈」。

技术定义与业界现状

2025 年 10 月 22 日，LangChain 与 LangGraph 同日发布 1.0，官方承诺「2.0 之前不做破坏性变更」，旧功能整体移入 langchain-classic 兼容包；LangGraph 1.0 对既有代码完全向后兼容，唯一显著变更是弃用 langgraph.prebuilt 旧入口。

2026 年 8 月官方博客把三层定位说成一句话：LangGraph 是 Agent 运行时，LangChain 是 Agent 框架，Deep Agents 是 Agent 外壳——并给了一根确定性光谱：运行时确定性最强、外壳自主性最强，建议从外壳起步，需要控制时再下沉。

同赛道常被一起对比的还有两个名字：OpenAI Agents SDK 走轻量路线，靠交接（handoffs）、护栏（guardrails）等少量原语组合，2026 年 9 月 GitHub 约 2.9 万 star；AgentScope 是阿里系开源、已迁入独立组织，定位「看得见、可理解、可信任」的多 Agent 框架，约 3.1 万 star（两处 star 数均为 2026 年 9 月查询）。

动手：十二行搭一个可暂停的日报 Agent

用 LangGraph 的运行时（②）搭「起草 → 人工审核 → 发布」的流程，模型调用部分交给标准件（①）。伪代码（不可直接运行，省略了入口边与导入），重点看编号对应的机制：

graph = StateGraph(ReportState)                  # ② 状态是唯一事实源
graph.add_node("draft", call_model)              # ② 节点：一步动作（内部用①的 ChatModel）
graph.add_node("review", human_review)
graph.add_node("publish", publish_report)
graph.add_edge("review", "publish")              # ② 普通边：审核过就发布
graph.add_conditional_edges("draft", route)      # ② 条件边：不合格就循环回起草
app = graph.compile(checkpointer=InMemorySaver(),   # ⑥ 每步自动存档（生产换持久化后端）
                    interrupt_before=["review"])     # ⑧ 静态断点：审核前等人拍板
cfg = {"configurable": {"thread_id": "daily-09-05"}}   # ⑦ 存档槽：这份日报一个槽
app.invoke(messages, cfg)                  # 跑到审核前自动停下
app.update_state(cfg, values={"审核意见": "通过"})   # 人工结果写进状态、落入存档
app.invoke(None, cfg)                      # ⑧ 从存档恢复，一路走到发布

注意业务代码（④）里你只写了「流程长什么样」——循环怎么执行、状态怎么存、暂停怎么恢复，全是运行时（②）的事。这就是「控制流归库」的具象：省下的恰好是手写路线（⑤）里最容易出 bug 的部分。

同一层位还有哪些选择，一张表对齐（定位均以官方仓库描述为准）：

层位	框架	一句话锚点
标准件 + 运行时	LangChain / LangGraph	create_agent 组装循环；StateGraph + Checkpoint + Interrupt
现成外壳	DeepAgents	文件系统、记忆、计划、Skills、子代理预装的开箱外壳
轻量运行时	OpenAI Agents SDK	交接（handoffs）、护栏（guardrails）等轻量原语，自带会话与追踪
多 Agent 平台向	AgentScope	定位「看得见、可理解、可信任」的多 Agent 框架

边界与取舍：框架什么时候是负资产

Checkpoint 模型和手写状态机，各领一块地

框架的存档模型赢在恢复语义是标准的：会话隔离、断点续跑、审批暂停、读档回滚，四样开箱即得——多用户产品、长任务、带人工审批的流程，直接受益。手写状态机赢在状态形状完全领域特化：状态键就三五个、转移逻辑一眼看穿、每个转移都能写成单元测试，还不欠任何依赖债。判据一句话：恢复语义越「标准」，越该用 Checkpoint；越「特化」，越值得手写。

「文件系统即记忆」与向量库记忆，不是对手是分工

文件记忆是显式的：可读、可改、可 diff，Agent 自己决定写什么、读什么、何时整理——适合工作笔记、项目档案这类「少而精」的长期材料。向量库是隐式的：语义检索自动召回，适合从海量历史里大海捞针。前者怕堆成一团乱麻——所以 DeepAgents 的 Skills 才做渐进披露，读文件也要挑着读，不然就是 Context 工程警告过的上下文腐烂；后者怕召回到似是而非的近邻。成熟的系统两者并存：文件当书架，向量当图书管理员。

框架是负资产的四个信号

循环行为和库抽象打架——你要的控制流库不给你，绕库的钩子比实现功能还费劲。
调试要穿透库栈——问题埋在框架第三层回调里，看不懂栈就看不了病。
升级随库走——1.0 把旧功能整体挪进兼容包，可见 0.x 时代版本迁移的包袱之重。
学习成本倒挂——主循环本身百来行，吃透框架的抽象却要按周算。

四个信号中了两个以上，认真考虑手写路线（⑤）：把控制流收回自己手里，模型降级为可替换的插件——这正是 Harness 概览里「载体」之争的另一端。

图：选型两问——第一问卡「恢复语义」，第二问卡「预装多全」；第一问即否，手写反而是最优解

别为了新潮上框架，也别为了「可控」的执念拒绝框架——先跑通价值，再谈控制权。坏味道预警：当你发现自己写的路由胶水代码比业务逻辑还长，那就是控制流该收回来的信号；手写路线的完整展开，见 Harness 概览与后续的 Harness 各专篇。

自测

合上文章先自己答，再展开对照：

LangGraph 的 Checkpoint 模型和手写状态机各适合什么场景？

判据是恢复语义标不标准。Checkpoint 模型赢在四样标准能力开箱即得：thread_id 会话隔离、断点续跑、Interrupt 审批暂停、time travel 读档回滚——多用户产品、长任务、带人工审批的流程直接受益。手写状态机赢在状态形状完全领域特化：状态键少、转移逻辑一眼看穿、每个转移可单测，且不欠依赖债——适合状态简单又要求极致可控可测的场景。一句话：恢复语义越标准越该用 Checkpoint，越特化越值得手写。

DeepAgents「文件系统即记忆」与向量库记忆的取舍是什么？

两者是分工不是对手。文件记忆是显式的：可读、可改、可 diff，Agent 自己决定写什么、读什么、何时整理，适合工作笔记、项目档案这类少而精的长期材料；它的风险是堆成乱麻，所以要渐进披露、挑着读，避免上下文腐烂。向量库记忆是隐式的：语义检索自动召回，适合海量历史里大海捞针；它的风险是召回到似是而非的近邻。成熟系统两者并存：文件当书架，向量当图书管理员。

参考与延伸

LangChain 官方博客《LangChain and LangGraph Agent Frameworks Reach v1.0》（2025-10-22）：1.0 发布公告，middleware 机制与「2.0 前不破坏性变更」承诺的原始出处；官方自认 0.x「抽象有时太重」亦出自此文 — langchain.com/blog/langchain-langgraph-1dot0
Wikipedia「LangChain」条目（2026 年 9 月查询）：2022 年 10 月开源、创始人 Harrison Chase、2023 年融资时间线的出处 — en.wikipedia.org/wiki/LangChain
LangSmith 产品页：配套商业 SaaS 的追踪、评测与监控能力 — smith.langchain.com
LangChain 官方博客《Deep Agents vs LangChain vs LangGraph》（2026-08-06）：三层定位与确定性光谱的官方口径 — langchain.com/blog/deep-agents-vs-langchain-vs-langgraph
LangGraph 仓库（MIT）：运行时文档、StateGraph 与 Checkpoint 示例 — github.com/langchain-ai/langgraph
DeepAgents 仓库：外壳能力清单与「运行时 / 框架 / 外壳」分层 FAQ — github.com/langchain-ai/deepagents
OpenAI Agents SDK 仓库：轻量路线的官方 SDK — github.com/openai/openai-agents-python
AgentScope 仓库：多 Agent 平台向框架 — github.com/agentscope-ai/agentscope

下一站：Claude Code 全景与日常使用——框架之外另一个极端：不搭轮子，把别人造好的外壳用成生产力。

学习舱 · 知识库