LangChain 生态四件套关系与作用

发表于 分类于
厘清 LangChain、LangGraph、Deep Agents、LangSmith 在 Agent 开发栈中的分层、依赖与选型，避免概念混用。

前言

接触 LangChain 生态时，常见困惑是：LangChain 和 LangGraph 都要装吗？
Deep Agents 是不是又一套框架？
LangSmith 不开源能不能不用？
本文不展开具体 API，只说明四者在 Agent 开发栈 里的位置、各自解决什么问题，以及怎样组合选型。
下文示例依赖用 uv 管理 Python 环境与包；概念与版本以官方 2025～2026 文档为准。

总览

官方把 Agent 相关开源组件分为三层，LangSmith 作为横切平台叠在上面。

截屏2026-08-14 18.09.16

依赖方向可以概括为：

  1. LangGraph 负责「怎么跑、怎么存状态、怎么中断与恢复」。
  2. LangChain 怎么快速拼 Agent」的抽象与集成。
  3. Deep Agents 提供开箱即用的复杂 Agent 能力。
  4. LangSmith 不参与执行逻辑，贯穿开发与上线，负责可观测与质量保障。

分层说明

LangGraph

LangGraph 是 Agent Runtime（运行时 / 编排引擎），关注「工作流如何执行」，而不是「提示词怎么写」。

它提供的能力包括：

  • 持久化执行：任务失败或中断后可从检查点恢复，适合长时运行。
  • 流式输出：按节点或 token 推送中间结果。
  • Human-in-the-loop：在任意节点暂停，人工审阅或改写状态后继续。
  • 状态图编排：用 StateGraph 把确定性步骤与 LLM 决策步骤混在同一张图里。

你可以 不依赖 LangChain 单独使用 LangGraph，直接定义节点与边。
但当需求只是标准「模型 + 工具循环」时，手写图往往成本偏高。

LangChain

LangChain 是 Agent Framework（框架层），关注「用什么抽象把模型、工具、提示词拼成应用」。

LangChain 1.x 主包已收敛到 Agent 构建所需核心能力，典型入口是 create_agent。
它封装了模型初始化（init_chat_model）、工具（@tool）、中间件（Middleware）等，让常见 Agent 不必从零画 LangGraph 图。

重要关系：LangChain 1.0 的 Agent 构建在 LangGraph 之上。
因此使用 create_agent 时，你已经在间接使用 LangGraph 的持久化、流式等运行时能力，只是不必手写图结构。

适合场景：

  • 快速搭一个可调工具、可插 Middleware 的 Agent。
  • 团队需要统一模型与工具接入方式。
  • 编排逻辑相对标准，暂不需要完全自定义状态机。

Deep Agents

Deep Agents 是 Agent Harness（.harness / 开箱即用套件），在 LangGraph 与 LangChain Agent 之上，预置了复杂任务常见能力。

内置能力包括：

  • 任务规划：可选 todo 列表，拆解多步目标。
  • 子 Agent：把子任务委派给独立上下文窗口中的子 Agent。
  • 虚拟文件系统：读写、检索大段工具结果，避免主上下文被撑爆。
  • 上下文管理：摘要历史、卸载超大工具输出。
  • Skills：按场景加载领域知识与操作指引。

入口是 create_deep_agent，API 形态与 create_agent 相近，但默认「电池更满」。
适合场景：

  • 研究型、编码型、文档分析等 多步、非确定性 任务。
  • 希望少写 Middleware 和文件管理逻辑，尽快跑通复杂 Agent。
  • 需要子 Agent 并行、大结果落盘后再 grep / 分析。

若任务只是单次问答或简单工具调用，Deep Agents 可能过重；此时 LangChain create_agent 更轻。

LangSmith

LangSmith 是 平台层（Platform），由 LangChain 公司提供，与上面三个开源包 正交。
无论你用 LangChain、LangGraph 还是 Deep Agents，都可以（也建议在生产前）接入 LangSmith。

主要作用：

  • Tracing（追踪）：记录每次调用的输入、工具调用、状态迁移与延迟，便于调试「Agent 为什么选了这个工具」。
  • Evaluation（评估）：对数据集跑批量评测，对比不同提示词或模型版本。
  • Prompt 管理：集中维护与版本化提示词（团队协同时有用）。
  • Deployment（部署）：将 Agent 部署到托管环境，配合监控与扩缩容。

接入方式通常只需环境变量，例如开启追踪：

1
2
export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY="lsv2_xxx"

LangSmith 不是运行 Agent 的必需依赖；本地开发可以完全不装。
但一旦进入联调、压测或上线，缺少可观测性会让 Agent 问题极难定位。

如何选型

按「控制粒度 vs 开箱能力」从低到高排列：

组件 抽象层级 典型诉求
LangGraph 最低 自定义编排、混合确定性步骤与 Agent 步骤、完全掌控状态机
LangChain 中等 标准 Agent 循环、Middleware 扩展、快速集成多厂商模型
Deep Agents 较高 长时复杂任务、规划与子 Agent、内置文件系统与上下文工程
LangSmith 横切 追踪、评测、监控，与选用哪一层框架无关

可参照下面的决策顺序：

  1. 只需聊天 + 少量工具 → LangChain create_agent。
  2. 需要精细控制每一步流转、或工作流含大量非 LLM 节点 → LangGraph 直接构图。
  3. 任务步骤多、上下文大、常要拆子任务 → Deep Agents。
  4. 任何非玩具项目 → 尽早接 LangSmith（或同类 APM），至少打开 Tracing。

三者并非互斥：Deep Agents 内部用 LangChain Agent 与 LangGraph；LangChain Agent 内部用 LangGraph 运行时。
选型本质是「你愿意自己实现多少 harness 能力」。

依赖

跑下文示例前，在项目目录用 uv 初始化并安装对应包。
按需安装，不必一次装齐。

LangChain 与 LangGraph 示例：

1
2
3
uv init
uv venv --python 3.12
uv add "langchain>=1.0,<2.0" langgraph

Deep Agents 示例额外安装：

1
uv add deepagents

运行脚本时使用 uv run python your_script.py，会自动使用当前项目的虚拟环境与锁文件。

协作示例

下面用极简代码说明三层如何嵌套，以及 LangSmith 如何旁路接入。
示例省略 API 密钥，模型名请按环境替换；保存为 .py 文件后通过 uv run python 执行。

LangChain 层：最小 Agent，底层已是 LangGraph 运行时。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
from langchain.agents import create_agent

def get_weather(city: str) -> str:
    """查询城市天气（示例）。"""
    return f"{city} 晴，25°C。"

agent = create_agent(
    model="openai:gpt-4o-mini",
    tools=[get_weather],
    system_prompt="你是 helpful 助手，查天气时调用工具。",
)

result = agent.invoke({
    "messages": [{"role": "user", "content": "北京天气如何？"}]
})
print(result["messages"][-1].content)

Deep Agents 层：同样声明模型与工具，但 harness 自带规划、文件系统等能力。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
from deepagents import create_deep_agent

def get_weather(city: str) -> str:
    """查询城市天气（示例）。"""
    return f"{city} 晴，25°C。"

deep_agent = create_deep_agent(
    model="openai:gpt-4o-mini",
    tools=[get_weather],
    system_prompt="你是 helpful 助手。",
)

result = deep_agent.invoke({
    "messages": [{"role": "user", "content": "对比北京和上海的天气"}]
})
print(result["messages"][-1].content)

LangGraph 层：完全手写状态图，适合自定义节点逻辑。

1
2
3
4
5
6
7
8
9
10
11
12
13
from langgraph.graph import END, START, MessagesState, StateGraph

def mock_llm(state: MessagesState):
    last = state["messages"][-1]["content"]
    return {"messages": [{"role": "ai", "content": f"收到：{last}"}]}

graph = StateGraph(MessagesState)
graph.add_node("mock_llm", mock_llm)
graph.add_edge(START, "mock_llm")
graph.add_edge("mock_llm", END)
app = graph.compile()

print(app.invoke({"messages": [{"role": "user", "content": "hi"}]}))

LangSmith 层：在运行上述任意代码前设置环境变量，即可在控制台看到 Trace，无需改业务代码。

1
2
3
4
export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY="你的密钥"
# 可选：指定项目名，便于在控制台分组
export LANGSMITH_PROJECT="my-agent-demo"

常见误解

  1. LangChain 与 LangGraph 二选一？
    不是。
    LangChain 1.x Agent 已基于 LangGraph；选 LangChain 不等于抛弃 LangGraph，而是使用封装好的运行时。

  2. Deep Agents 替代 LangChain？
    不是替代，是更高层的 harness。
    Deep Agents 仍构建在 LangChain Agent 与 LangGraph 之上；简单场景用 LangChain 即可。

  3. 不用 LangSmith 就不能用 LangChain？
    可以。
    LangSmith 是可选平台；开源三件套本地可独立运行。

  4. LangGraph 只能做 Agent？
    不限于 Agent。
    任何有状态、可持久化的 LLM 工作流（含纯链式、含人工审核节点）都适合用 LangGraph 编排。

总结

  1. LangGraph 管运行时：持久化、流式、中断、状态图编排，抽象层级最低。
  2. LangChain 管框架：模型 / 工具 / Middleware / create_agent，适合标准 Agent 快速落地。
  3. Deep Agents 管复杂任务 harness：规划、子 Agent、文件系统与上下文工程，适合多步自主任务。
  4. LangSmith 管可观测与质量：追踪、评估、部署监控，与框架选型独立，上线前强烈建议接入。
  5. 实际项目常从 LangChain 或 Deep Agents 起步，需要精细控制时再下沉到 LangGraph；LangSmith 贯穿全程。