一、Agent 应用的基本运行方式我们先从最简单的 LLM 应用开始。如果只是让模型生成或总结一段文本程序通常只有一次模型调用用户输入 ↓Prompt ↓LLM ↓模型输出这种结构并不复杂。程序准备输入将内容发送给模型然后接收模型返回的结果。但实际应用很快会遇到另一类任务。例如查询北京今天的天气并判断是否适合户外跑步。模型本身并不知道实时天气因此需要调用天气 API。与此同时程序还要判断什么时候调用工具、传什么参数以及得到工具结果后下一步应该做什么。整个过程开始变成用户提出任务 ↓模型判断下一步 ↓调用工具 ↓获取工具结果 ↓再次交给模型 ↓继续执行或返回答案这类结构通常被称为模型—工具循环Model-Tool Loop。模型并不是一次性给出答案而是在执行过程中不断判断当前状态并决定下一步行动。当任务进一步复杂以后还会出现更多问题如何保存执行过程中的数据工具调用失败以后怎样处理某个步骤是否允许重新执行是否需要人工批准一个任务是否需要拆给其他 Agent上下文越来越长以后怎样管理。LangChain、LangGraph 和 Deep Agents就是围绕这些问题提供不同层次的解决方案。二、LangChain 的定位与基本使用LangChain 是一个开源的 LLM 应用与 Agent 开发框架。当前官方文档将它定位为一套提供预构建 Agent 架构、模型集成和工具集成的框架。开发者可以使用相对统一的接口连接不同模型和工具并快速构建 Agent。如果直接使用不同模型厂商的 SDK开发者往往需要分别处理消息格式、工具调用格式、模型初始化以及不同供应商之间的接口差异。LangChain 在这些能力之上增加了一层统一抽象。一个最简单的 Agent先安装 LangChainpip install -U langchain langchain[openai]然后定义一个工具from langchain.agents import create_agent def get_weather(city: str) - str: 查询指定城市的天气。 return f{city}今天晴25℃ agent create_agent( modelopenai:gpt-5.4, tools[get_weather], system_prompt你是一名天气助手请根据工具返回的信息回答问题。,) result agent.invoke( { messages: [ { role: user, content: 北京今天天气怎么样适合跑步吗, } ] }) print(result[messages][-1].content)官方当前的 Python 文档使用langchain.agents.create_agent创建 Agent并支持通过provider:model的形式指定模型。运行结果使用真实的模型 API Key运行上述代码输出示例如下北京今天晴气温约 25℃。 从天气条件来看比较适合户外跑步。如果阳光较强可以避开中午时段并注意补水。模型生成内容可能略有不同。这里比较重要的地方是我们没有在业务代码里直接写get_weather(北京)Agent 会先读取用户的问题然后由模型判断是否需要调用get_weather。如果决定调用工具模型会生成工具参数工具执行完成后结果重新进入 Agent 的消息上下文模型再根据这些信息生成最终回答。这就是 LangChain 帮开发者封装掉的一部分工作。LangChain Agent 的运行方式可以把它简化成┌──────────┐ │ Model │ └────┬─────┘ │ 是否调用工具 ↙ ↘ 是 否 ↓ ↓ Tool 返回 │ └────→ Model模型可以多次调用工具直到认为任务已经完成。LangChain 的 Agent 并不是自己实现了一套完全独立的运行时。官方文档明确说明LangChain Agent 建立在 LangGraph 之上因此可以获得持久化、Human-in-the-loop 和 Durable Execution 等运行能力。实际项目中如果需求主要是用户提出任务→ Agent 判断→ 调用若干工具→ 返回结果通常从 LangChain 的create_agent开始即可没有必要立即自己编写复杂工作流。三、LangGraph 的工作流编排机制LangChain Agent 已经解决了常见的模型—工具循环但有些应用需要更明确地控制执行流程。例如一个内容研究系统可能规定接收主题 ↓搜索资料 ↓分析资料 ↓质量检查 ↓是否合格 ↙ ↘否 是↓ ↓重新搜索 生成文章这里已经不只是“模型要不要调用工具”。业务本身存在明确的步骤、分支和循环。LangGraph 就是针对这类问题设计的。官方目前将 LangGraph 定义为一个低层级的 Agent 编排框架和 Runtime用于构建、管理和部署长期运行、具有状态的 Agent。LangGraph 主要关注Agent Orchestration而不是替开发者封装所有上层能力。State、Node 和 Edge理解 LangGraph可以先记住三个基本概念。状态State保存整个工作流执行过程中需要持续传递的数据。节点Node执行具体工作例如调用模型、搜索数据库或者运行普通 Python 函数。边Edge决定一个节点执行完成以后进入哪个节点。下面先看一个不使用 LLM 的最简单示例from typing_extensions import TypedDictfrom langgraph.graph import StateGraph, START, END class State(TypedDict): topic: str result: str def generate_title(state: State): return { result: f{state[topic]}入门指南 } builder StateGraph(State) builder.add_node(generate_title, generate_title) builder.add_edge(START, generate_title)builder.add_edge(generate_title, END) graph builder.compile() result graph.invoke( { topic: LangGraph, result: , }) print(result)运行结果这段代码不依赖模型但需要安装 LangGraph。按照代码逻辑其运行结果如下{ topic: LangGraph, result: LangGraph入门指南}执行开始时State 中保存两个字段topic LangGraphresult 工作流进入generate_title节点以后节点根据topic生成一个新的result。节点返回的内容会更新 State然后工作流沿着 Edge 进入END。这个例子虽然简单但已经包含了 LangGraph 最主要的结构State ↓START ↓Node ↓END真实项目可以继续添加更多 Node并通过条件边构建分支和循环。因此LangGraph 更关心的不是“模型如何回答”而是整个任务应该以什么顺序执行以及执行过程中的状态怎样流动。四、LangGraph 的状态与持久化如果工作流只有两三个函数其实直接写 Python 代码也完全可以data search(topic)analysis analyze(data)article write(analysis)LangGraph 的价值通常在流程变长以后才会更加明显。假设一个研究 Agent 已经执行了搜索资料 ↓整理资料 ↓提取事实 ↓生成文章如果执行到最后一步时程序异常退出一个直接串联函数的实现往往需要自己设计恢复机制。对于调用多个外部 API、运行时间较长的 Agent这会逐渐变成一个实际工程问题。CheckpointLangGraph 提供了持久化机制。当 Graph 编译时配置 CheckpointerLangGraph 可以在执行过程中保存 Graph State 的快照也就是Checkpoint。这些状态按照 Thread 组织。例如from langgraph.checkpoint.memory import InMemorySaver checkpointer InMemorySaver() graph builder.compile( checkpointercheckpointer)调用时再指定thread_idconfig { configurable: { thread_id: research-001 }} result graph.invoke( { topic: LangGraph, result: , }, configconfig,)运行结果上述示例与前面的确定性 Graph 相同其运行结果如下{ topic: LangGraph, result: LangGraph入门指南}区别不在最终输出而在执行过程中产生了可管理的状态记录。官方文档将持久化作为多个能力的基础包括 Human-in-the-loop、Memory、Time Travel 和 Fault Tolerance。例如一个审批流程可以运行到某个节点暂停生成方案 ↓等待人工审核 ↓批准 / 修改 ↓继续执行程序不需要一直占用一个进程等待用户。工作流可以把当前状态保存下来之后在同一个 Thread 上恢复执行。理解这一点以后就能看出 LangGraph 中 State 的意义。它不只是几个 Python 变量而是整个长期运行工作流的执行上下文。五、Deep Agents 的定位与主要能力当 Agent 开始处理开放式、多步骤任务时单纯拥有模型和工具还不够。例如让 Agent调研某个技术方向并最终生成一份完整报告。真正执行起来可能需要理解任务↓拆分研究方向↓制定计划↓搜索资料↓保存中间结果↓继续补充研究↓委托专业子 Agent↓整理报告如果使用 LangChain这些能力可以逐步自己实现。但不同复杂 Agent 经常重复遇到类似问题任务规划、上下文过长、中间文件保存、子任务隔离等。Deep Agents 就是在这一层提供了更完整的默认能力。官方将deepagents称为一个Agent Harness。它仍然使用常见的 Tool Calling Loop但增加了规划、文件系统、Subagent 和上下文管理等能力并使用 LangGraph Runtime 获得 Durable Execution、Streaming 和 Human-in-the-loop 等底层能力。创建一个 Deep Agent先安装pip install -U deepagents然后可以直接创建 Agentfrom deepagents import create_deep_agent def search_web(query: str) - str: 搜索网络资料。 return f关于 {query} 的搜索结果 agent create_deep_agent( modelopenai:gpt-5.4, tools[search_web], system_prompt你是一名技术研究助手。根据任务需要搜索资料并整理出结构清晰的研究结果。,) result agent.invoke( { messages: [ { role: user, content: 研究 LangGraph 的主要使用场景, } ] }) print(result[messages][-1].content)运行结果上述代码同样需要使用真实模型API Key运行后示例输出如下LangGraph 主要适合需要显式控制执行流程的复杂 Agent 系统。 常见场景包括1. 长时间运行并需要恢复的任务2. 包含条件分支和循环的工作流3. 需要人工审批的执行流程4. 多步骤研究和数据处理任务5. 需要持久化状态的 Agent 应用实际输出以及是否调用工具会受到模型和 Prompt 的影响。从调用方式看create_deep_agent与 LangChain 的create_agent很接近。区别更多体现在 Agent 默认获得了什么能力。规划与文件系统Deep Agents 当前提供任务规划能力并通过文件系统工具处理较大的中间结果。官方提供的文件工具包括读取、写入、编辑、搜索文件等操作。默认情况下Deep Agents 使用StateBackend。文件保存在 LangGraph State 中并在当前 Thread 内持续存在。也可以根据需求替换成FilesystemBackend、StoreBackend或其他 Backend。这类设计对研究型 Agent 很有用。例如一个 Agent 搜索了大量网页与其把所有原始内容持续堆在模型上下文中不如把部分内容写入文件需要时再读取。SubagentDeep Agents 还可以使用子 AgentSubagent。主 Agent 可以把某项任务委托给专门的 Agent例如主 Agent │ ├── 技术资料研究 Agent │ ├── 市场数据研究 Agent │ └── 事实核查 AgentSubagent 的一个重要作用是隔离上下文。官方文档特别指出当搜索、数据库查询和文件读取返回大量内容时中间结果很容易使主 Agent 的上下文不断膨胀。Subagent 可以在独立上下文中完成工作然后只把结果返回给主 Agent。因此Deep Agents 并不是单纯增加了“更多工具”。它主要是在解决复杂任务执行过程中逐渐出现的工程问题。六、LangChain、LangGraph 与 Deep Agents 的关系理解了各自的用途以后三者之间的关系可以简化成Deep Agents ↓LangChain Agent ↓LangGraph RuntimeDeep Agents 是建立在 LangChain Agent 基础能力之上的 Agent Harness并使用 LangGraph Runtime。LangChain 的预构建 Agent 同样建立在 LangGraph 上。但这并不意味着开发时需要同时手工编写三层代码。例如使用create_agent(...)时开发者不需要自己创建StateGraph。而使用create_deep_agent(...)时也不需要自己重新实现规划、文件系统和基本的子 Agent 机制。可以按照统一维度来看三者的差异对象抽象层级主要关注点典型场景LangChain中层模型、工具、Agent Loop常规 Tool Calling AgentLangGraph底层State、Node、流程与运行时可控的复杂工作流Deep Agents高层规划、文件、Subagent、上下文管理开放式多步骤任务这里需要避免一个常见误解LangGraph 并不是 LangChain 的“高级版”Deep Agents 也不是 LangChain 的“替代品”。三者主要是抽象层级不同。同一个项目完全可能同时使用它们。七、实际项目中的技术选择实际开发时可以先判断问题的复杂性来自哪里。如果主要问题是模型需要根据用户输入决定调用哪些工具例如数据库问答、搜索助手、业务 API 助手可以优先使用LangChain Agent。LangChain 已经提供成熟的 Agent Loop没有必要为了几个工具调用手工搭建 Graph。如果主要问题是业务流程本身存在明确步骤、条件、循环和状态例如生成内容↓审核↓是否通过↙ ↘修改 发布那么LangGraph更合适。因为开发者需要控制的重点已经不是“模型自己决定下一步”而是工作流结构。如果任务具有较强的开放性例如研究一个行业↓自行制定计划↓搜索几十份资料↓拆分多个研究方向↓调用不同子 Agent↓保存大量中间结果↓最终形成报告可以优先考虑Deep Agents。官方当前的 LangChain 概览也给出了类似的选择建议需要更完整的开箱即用能力时可以从 Deep Agents 开始普通 Agent 可以直接使用 LangChain需要结合确定性和 Agent 式工作流并进行底层控制时再使用 LangGraph。还有一种更实际的方式先从高层抽象开始确实遇到控制需求以后再下降一层。例如先用 LangChain 做出第一版 Agent。当发现某个流程必须人工审批、可恢复或者存在复杂分支时再把这一部分放到 LangGraph 中。这种方式通常比一开始就设计一张很大的 StateGraph 更容易维护。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】