[DeepAgents:LangChain平台的Harness-01]LangChain、LangGraph和DeepAgents三者之间的关系

juminsheng · 发表于昨天 09:14

作者：CSDN博客
DeepAgents是LangChain团队在2025年正式发布的一个开源Agent框架，专门用于构建能够处理生产级、长时程、多步骤任务的深度Agent。与传统的浅层Agent（仅依赖LLM + 简单工具调用循环）不同，DeepAgents旨在模拟像Claude Code或DeepResearch那样的复杂执行能力。作为一个Agent开发框架，DeepAgents内置了任务规划、文件系统、Sub-Agent生成和长期记忆等功能。我们可以将DeepAgents用于复杂的多步骤任务。在介绍DeepAgents之前，我们先来简单概括一下LangChain、LangGraph和DeepAgents三者之间的关系。

LangChain

LangGraph

DeepAgents

也许说了这些你还是觉得困惑，那我说得更简单一点：它们的最终使命都是利用构建的Agent来完成我们给它的任务，但是它们创建Agent的方式不同。
1. LangGraph：将StateGraph编程成Agent

它利用一个StateGraph对象作为Builder，通过添加节点和边的形式，根据推理任务构建具有对应结构的状态图。Agent正是StateGraph编译后的结果，它本质上是一个Pregel对象，一个由节点和通道组成的Actor模型。StateGraph的节点转换成Pregel的节点，状态成员转换成Pregel的通道，由边决定的执行流程转换节点针对通道的订阅规则。原则上任意复杂度的状态图都可以通过为StateGraph添加相应的节点和边构建出来。比如我们利用如下的程序构建了一个包含四个节点（foo、bar、baz和qux）的状态图，并按照流转规则添加了相应的边，最终将其编译成一个Agent。

from typing import TypedDict
from langgraph.graph import StateGraph
from PIL import Image
import io
classState(TypedDict):passasyncdeffoo(state:State):passasyncdefbar(state:State):passasyncdefbaz(state:State):passasyncdefqux(state:State):pass
agent =(StateGraph(State).add_node("foo",foo).add_node("bar",bar).add_node("baz",baz).add_node("qux",qux).set_entry_point("foo").set_finish_point("qux").add_edge("foo","bar").add_edge("foo","baz").add_edge(["bar","baz"],"qux").compile())
Image.open(io.BytesIO(agent.get_graph().draw_mermaid_png())).show()

复制代码

我们调用Agent对象的get_graph方法可以得到一个Graph对象，调用它的draw_mermaid_png方法可以得到一个PNG格式的状态图（字节数组），最终利用PIL库将其展示出来。

2. LangChain：利用create_agent函数创建Agent

正如开篇所说，三种变成模式的区别主要体现在针对Agent的不同创建方式，我们LangChain和LangGraph和DeepAgents放在一起比较，关注点自然落在用来创建Agent的create_agent工厂函数上。create_agent函数根据指定的语言模型组件和工具集创建的Agent，其底层依然是采用LangGraph这套Agent创建机制。具体来说，它默认会针对状态类型AgentState创建一个StateGraph。AgentState具有核心的状态成员messages，它承载了模型、用户和工具三者之间的对话历史。
create_agent会为StateGraph添加两个节点，一个用于封装模型（节点默认名称为model），另一个承载所有的工具(节点默认名称为tools)。模型节点与工具节点之间具有一条动态条件边,当LLM返回的AIMessage包含工具调用时，被激活的这条边会路由到tools节点完成工具调用，反之则意味着AIMessage携带的就是最终的结果，整个推理过程就此结束。工具节点与模型节点有一条静态边，所以工具执行后会再次回到模型节点，后者在新的状态下完成下一步推理。
LangChain利用create_agent工厂函数创建Agent，一个最简单的Agent只需要指定模型即可，但一般情况我们都需要注册相应的工具。下面的代码利用create_agent函数创建了一个由ChatOpenAI模型和两个注册工具组成的Agent。

from langchain.agents import create_agent
from langchain.tools import tool
from langchain_openai import ChatOpenAI
from PIL import Image
from dotenv import load_dotenv
import io
load_dotenv()@toolasyncdeffoo():"""test tool foo"""@toolasyncdefbar():"""test tool bar"""
agent = create_agent(
model= ChatOpenAI(name="gpt-5.2-chat"),
tools=[foo,bar])
Image.open(io.BytesIO(agent.get_graph().draw_mermaid_png())).show()

复制代码

当这个Agent被转换成图后具有如下的结构。这是一个包含两个节点的状态图，一个是用于决策和推理的model节点，作为决策执行者的工具全部被封装到tools节点中。

这种AgentState + 双节点（model和tools）的结构虽然简单，但却能满足常规的推理任务。对于更复杂的推理任务，一方面我们可以扩展AgentState，提供更多的状态成员来承载更多的上下文信息。另一方面我们也可以通过注册中间件（通过AgentMiddleware类型表示）来添加更多的节点来完善工作流。具体来说，注册的中间件提供了如下的功能：

添加状态字段

用于注册工具

添加节点

包装模型和工具调用

classAgentMiddleware(Generic[StateT, ContextT]):defbefore_agent(self, state: StateT, runtime: Runtime[ContextT])->dict[str, Any]|Noneasyncdefabefore_agent(self, state: StateT, runtime: Runtime[ContextT])->dict[str, Any]|Nonedefbefore_model(self, state: StateT, runtime: Runtime[ContextT])->dict[str, Any]|Noneasyncdefabefore_model(self, state: StateT, runtime: Runtime[ContextT])->dict[str, Any]|Nonedefafter_model(self, state: StateT, runtime: Runtime[ContextT])->dict[str, Any]|Noneasyncdefaafter_model(self, state: StateT, runtime: Runtime[ContextT])->dict[str, Any]|Nonedefafter_agent(self, state: StateT, runtime: Runtime[ContextT])->dict[str, Any]|Noneasyncdefaafter_agent(self, state: StateT, runtime: Runtime[ContextT])->dict[str, Any]|Nonedefwrap_model_call(
self,
request: ModelRequest,
handler: Callable[[ModelRequest], ModelResponse],)-> ModelCallResult
asyncdefawrap_model_call(
self,
request: ModelRequest,
handler: Callable[[ModelRequest], Awaitable[ModelResponse]],)-> ModelCallResult
defwrap_tool_call(
self,
request: ToolCallRequest,
handler: Callable[[ToolCallRequest], ToolMessage | Command[Any]],)-> ToolMessage | Command[Any]asyncdefawrap_tool_call(
self,
request: ToolCallRequest,
handler: Callable[[ToolCallRequest], Awaitable[ToolMessage | Command[Any]]],)-> ToolMessage | Command[Any]

复制代码

在下面的程序中，我们定义了一个FoobarMiddleware，并将其注册到Agent上。虽然它没有添加任何新的功能，但它会在Agent如下所示的状态图中添加四个新的节点，分别是before_agent、before_model、after_model和after_agent节点。

from langchain.agents import create_agent
from dotenv import load_dotenv
from langchain.agents.middleware.types import AgentState
from langchain.tools import tool
from langchain_openai import ChatOpenAI
from PIL import Image
from langchain.agents.middleware import AgentMiddleware
from typing import Any
from langgraph.runtime import Runtime
import io
load_dotenv()classFoobarMiddleware(AgentMiddleware):defbefore_agent(self, state: AgentState[Any], runtime: Runtime[None])->dict[str, Any]|None:returnsuper().before_agent(state, runtime)defbefore_model(self, state: AgentState[Any], runtime: Runtime[None])->dict[str, Any]|None:returnsuper().before_model(state, runtime)defafter_agent(self, state: AgentState[Any], runtime: Runtime[None])->dict[str, Any]|None:returnsuper().after_agent(state, runtime)defafter_model(self, state: AgentState[Any], runtime: Runtime[None])->dict[str, Any]|None:returnsuper().after_model(state, runtime)@toolasyncdeffoo():"""test tool foo"""@toolasyncdefbar():"""test tool bar"""
agent = create_agent(
model= ChatOpenAI(name="gpt-5.2-chat"),
tools=[foo,bar],
middleware=[FoobarMiddleware()])
Image.open(io.BytesIO(agent.get_graph().draw_mermaid_png())).show()

复制代码

状态图结构如下所示：

3. DeepAgents：利用create_deep_agent函数创建Agent

DeepAgents拥有属于自己的Agent工厂函数create_deep_agent，它其实最终也会调用LangChain的create_agent函数来创建Agent，它仅仅在调用此方法时利用注册的中间件为Agent添加了更多的功能，如任务规划、用于上下文管理的文件系统、Sub-Agent生成和长期记忆等功能。
从LangGraph和LangChain创建Agent的方式可以看出，它们相当于是自助餐和套餐的差别。LangGraph具有完全的自由度，我们可以根据具体的推理任务对状态图进行DIY。虽然灵活自由，实则对用户提出了更高的要求。相比之下，LangChain利用create_agent函数创建的Agent具有固定结构，却能满足大部分的推理任务。它相当于提供了一款符合大众口味的基础套餐。在点餐的时候，我们可以选择这个基础套餐，也可以在此基础上添加、替换和剔除一些配菜来满足个性化的需求，这就是中间件赋予的定制能力。
LangChain和DeepAgents的关系就像是基础套餐和升级套餐的关系。LangChain利用create_agent函数构建的Agent只具有基础的功能，任务定制的功能都需要通过注册中间件来提供。企业级Agent来往往具有一些公共的功能需求，如任务规划、用于上下文管理的文件系统、Sub-Agent生成和长期记忆等功能。如果任何一个功能都要求用户通过注册中间件来实现的话，无疑也会增加用户的使用门槛。于是DeepAgents对套餐进行了升级，在通过create_deep_agent函数创建Agent的时候，根据提供的配置自动注册了对应的中间件。
为了探究create_deep_agent函数为创建的Agent注册了怎样的中间件，我们编写了如下的演示程序：

from deepagents import create_deep_agent
from deepagents.middleware import SubAgent,AsyncSubAgent
from langchain.tools import tool
from langchain_openai import ChatOpenAI
from PIL import Image
import io
from dotenv import load_dotenv
load_dotenv()@toolasyncdeffoo():"""test tool foo"""@toolasyncdefbar():"""test tool bar"""
inline_subagent:SubAgent ={"name":"inline-sub-agent","description":"A test inline sub-agent","system_prompt":"System prompt for inline sub-agent","model": ChatOpenAI(name="gpt-5.2-chat"),}
async_subagent:AsyncSubAgent ={"name":"async-sub-agent","description":"A test async sub-agent","graph_id":"graph-001",}
agent = create_deep_agent(
model= ChatOpenAI(name="gpt-5.2-chat"),
memory=["/memories/AGENTS.md"],
skills=["/skills/"],
tools=[foo,bar],
interrupt_on={"foo":True},
subagents=[inline_subagent,async_subagent],)
Image.open(io.BytesIO(agent.get_graph().draw_mermaid_png())).show()

复制代码

在上面的程序中，我们通过create_deep_agent函数创建了一个Agent，并为它指定了模型、记忆、Skill、工具、中断规则和Sub-Agent（同步和异步）等配置。最终我们得到的状态图如下所示：

在上面这张图中，我们看到了五个中间件。但是DeepAgents涉及的中间件远不止这些，因为只有重写了before_agent/abefore_agent、before_model/abefore_model、after_model/aafter_model方法的中间件才会转换成状态图的节点，而且SubAgentMiddleware和AsyncSubAgentMiddleware生成的Sub-Agent也会有自己的中间件。总的来说，整个DeepAgents就建立在如下这几个中间件之上，了解了它们你就了解了DeepAgents的全部。

FileSystemMiddleware

TodoListMiddleware

SkillsMiddleware

HumanInTheLoopMiddleware

PatchToolCallsMiddleware

_DeepAgentsSummarizationMiddleware

MemoryMiddleware

SubAgentMiddleware

AsyncSubAgentMiddleware

原文地址：https://blog.csdn.net/JaydenAI/article/details/160844830

25位大厂高管转战生成式AI创业！吸金猛，不

[DeepAgents:LangChain平台的Harness-01]LangChain、LangGraph和DeepAgents三者之间的关系

浏览过的版块

LangGraph

关于我们

产品与服务

解决方案

产品与服务