一、概述随着大语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。ModelModel 指提供推理能力的大语言模型。例如GPTClaudeGeminiQwen可以理解为Model 大脑HarnessHarness 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。它提供统一模型接口Prompt管理Tool系统Agent运行机制Memory管理RAG支持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( modelgpt-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StreamingToken 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MemoryChain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. LangSmithAgent 的生产管理平台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。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。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。