衢州市网站建设_网站建设公司_一站式建站_seo优化

本文详细解析了LangChain、LangGraph和DeepAgents三者的区别与关系：LangChain作为AI智能体框架提供抽象能力，LangGraph作为运行时确保系统稳定可靠，DeepAgents作为工具集实现开箱即用。三者构成了AI智能体开发的完整体系，从基础框架到稳定运行再到简化应用，分别解决了快速构建、稳定运行和简化开发三个层面的需求，助力开发者高效构建大模型应用。

我现在更喜欢用三个词来描述它们：
LangChain 是一个 AI 智能体框架（Agent Framework），
LangGraph 是 AI 智能体运行时（Agent Runtime），
DeepAgents 是 AI 智能体工具集（Agent Harness）。

当然，这三个词目前在业界还没有明确界限。框架、运行时、工具集之间依然存在模糊地带与重叠，这篇文章其实也是我一次“尝试划线”的过程。

一、AI 智能体框架：LangChain 的抽象之美与复杂之痛

还记得我第一次上手 LangChain，那是一个典型的“又爱又恨”的体验。

爱它的抽象能力：它帮我把复杂的提示链、工具调用、内存系统都组织得井井有条；

恨它的隐藏机制：有时候调试时我只想看清楚模型到底收到了什么输入，但层层封装让我一度抓狂。

对我而言，“AI 智能体框架”最大的价值就在于抽象。

它像是在混乱的 Prompt 丛林中架起一座桥，让开发者能更快搭起一套标准化的 AI 应用。

当我从一个项目切换到另一个时，不必再从零搭建基础结构，而是能直接用 LangChain 提供的模块，比如 Agent Loop、结构化内容块、记忆与中间件系统。

LangChain 1.0 的更新可以说是一次“重新定义抽象”的工程。团队投入了大量心力去思考：怎样在不失灵活性的前提下，让框架足够通用？这让我第一次感受到，一个好的框架不仅仅是代码工具，更是一种对开发方式的哲学设计。

除了 LangChain，现在我也在关注一些同类型框架，比如 Spring AI、Vercel AI SDK、CrewAI、OpenAI Agents SDK、Google ADK、LlamaIndex——它们都在用不同的方式解决同一个问题：如何让开发者更高效地与 LLM 打交道。

二、AI 智能体运行时：LangGraph 的“生产力基石”

当我第一次把 Agent 真正部署到线上时，LangGraph 给我的感觉是“救命稻草”。

你会发现，框架只能帮你搭好逻辑，真正的难题出现在运行阶段——任务中断、状态丢失、上下文混乱、消息阻塞，这些问题随时可能让一个智能体“罢工”。

LangGraph 正是为了解决这些现实问题而诞生的。它关注的是稳定性、可恢复性与实时性，这些词听起来没那么酷，但对任何生产系统来说都至关重要。例如：

• Durable Execution（持久化执行）：任务可以中断后恢复；
• Stream 支持：让 LLM 输出可以实时传输；
• HITL（Human-in-the-Loop）：允许人在关键时刻介入；
• 数据持久化：让智能体记得自己做过的事。

在 LangGraph 的设计理念中，我最喜欢一句话：“

少假设未来，贴近代码本身。”

它没有去幻想一个完美的调度系统，而是从实际部署痛点出发，用最工程化的方式把 AI 智能体变得可靠。

现在，包括 LinkedIn、Uber 等公司都已经在用它来支撑自己的 AI 工作流，这说明它确实走在正确的方向上。

我常说，LangGraph 的位置就像是操作系统里的“内核”——它比框架更底层，反而更关键。LangChain 1.0 就是基于 LangGraph 构建的，用它来支撑所有的运行时能力。

三、AI 智能体工具集：DeepAgents 的“开箱即用”体验

再往上，就是DeepAgents。它是 LangChain 团队的新项目，也可以看作是 LangChain 的“应用层延伸”。如果说 LangChain 是你动手搭积木的框架，LangGraph 是让积木稳定运转的地基，那 DeepAgents 就像是直接给你准备好了一整套拼好的模型。

我第一次用 DeepAgents 的时候，最大的感受就是——终于不用从零写提示词了！它内置了默认的提示模板、常用的工具调用逻辑，还有规划与文件系统访问能力。你可以在很短时间内就跑出一个能完成任务的通用智能体，不必陷入 endless prompt tuning 的深坑。

在我看来，DeepAgents 就像是一个“通用版的 Claude Code”。而现在 Claude 也在往同一个方向走，他们发布的 Claude Agent SDK，本质上也是试图构建一个通用的 AI 工具集生态。

从趋势上看，这一层产品的目标已经不再是“框架开发”，而是让更多人——甚至不会写代码的人——也能快速组装出功能完善的 AI 智能体。

当然，是否所有 CLI 工具都算 AI 工具集，还值得讨论。但至少目前，DeepAgents 的定位是明确的：让 AI 开发真正变得“拿来即用”。

写这篇文章时，我其实并不打算“替官方下定义”。只是希望能用一个开发者的视角，把这些日常使用中的“模糊感”整理清楚。

我相信，未来 “框架—运行时—工具集” 三层体系会越来越清晰。框架让我们快速构建，运行时让它们稳定可靠，工具集则让更多人能轻松参与进来。

就像早年的 Web 开发从 Spring、Django 到 Next.js 的演进一样，AI 开发也正在走向自己的“成熟分层时代”。

如果你在实际使用中有不同体验，欢迎告诉我。毕竟，这个行业最大的魅力就在于——我们都还在边走边定义未来。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

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】

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告

2025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。

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

适用人群

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
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

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】