对比 LangChain Agent / Deep Agents / LangGraph 的真实代码差异

LangChain Agent vs Deep Agents vs LangGraph 真实代码对比

下面用同一个业务场景（“研究助手：搜索资料 + 写报告”）三种实现方式对比，让你一眼看出差异。

一、对比总览（先看结论）

二、场景设定

任务：用户问一个问题，Agent 要：

1. 搜索网络
2. 读取/写入文件做笔记
3. 最后输出一份报告

defweb_search(query:str)->str:"""Search the web for the given query."""returnf"results for{query}..."defwrite_note(filename:str,content:str)->str:"""Write content to a file."""withopen(filename,"w")asf:f.write(content)returnf"saved{filename}"

三、方案 A：LangChain Agent（标准做法）

fromlangchain.agentsimportcreate_agent agent=create_agent(model="openai:gpt-5.4",tools=[web_search,write_note],system_prompt="You are a research assistant. Search, take notes, then summarize.",)result=agent.invoke({"messages":[{"role":"user","content":"Research LangGraph and write a report."}]})print(result["messages"][-1].content_blocks)

特点

• 一个函数搞定：create_agent把"模型 + 工具 + 提示词"打包成 ReAct 循环
• 隐式循环：模型自己决定调几次工具、何时停止
• 上下文 = messages 数组：所有工具调用结果都堆在 messages 里，长任务容易爆 context

局限

• 不能控制"先搜索再总结"这种顺序
• 工具调用结果太多 → token 爆炸 → 模型遗忘前面的内容
• 没法做"审批"、“分支”、“多 Agent 协作”

四、方案 B：Deep Agents（开箱即用豪华版）

fromdeepagentsimportcreate_deep_agent agent=create_deep_agent(tools=[web_search],instructions="You are a research assistant. Plan, research, and write a report.",)result=agent.invoke({"messages":[{"role":"user","content":"Research LangGraph and write a report."}]})

它"白送"给你什么

Deep Agents 在create_agent基础上自动注入了 4 个内置能力：

典型用法（带子 Agent 配置）

fromdeepagentsimportcreate_deep_agent research_subagent={"name":"research-agent","description":"Used to do deep research on a topic.","prompt":"You are a research expert. Search thoroughly and return findings.","tools":["web_search"],}agent=create_deep_agent(tools=[web_search],instructions="You are the lead researcher. Delegate deep research to subagents.",subagents=[research_subagent],)

何时选 Deep Agents

• 长程任务（要跑几十轮工具调用）
• 研究/编码类（结果体量大，需要"暂存"到文件）
• 想要Claude Code / Manus 那种体验，但又不想自己造轮子

五、方案 C：LangGraph（底层流程控制）

LangGraph 是最底层的——你自己画状态机：节点 + 边 + 状态。

fromtypingimportAnnotated,TypedDictfromlanggraph.graphimportStateGraph,START,ENDfromlanggraph.graph.messageimportadd_messagesfromlangchain.chat_modelsimportinit_chat_modelfromlanggraph.prebuiltimportToolNode,tools_conditionclassState(TypedDict):messages:Annotated[list,add_messages]notes:strllm=init_chat_model("openai:gpt-5.4")tools=[web_search,write_note]llm_with_tools=llm.bind_tools(tools)defplanner(state:State):return{"messages":[llm.invoke([{"role":"system","content":"Make a plan first."}]+state["messages"])]}defresearcher(state:State):return{"messages":[llm_with_tools.invoke(state["messages"])]}defsummarizer(state:State):summary=llm.invoke([{"role":"system","content":"Summarize all findings into a report."}]+state["messages"])return{"messages":[summary],"notes":summary.content}graph=StateGraph(State)graph.add_node("planner",planner)graph.add_node("researcher",researcher)graph.add_node("tools",ToolNode(tools))graph.add_node("summarizer",summarizer)graph.add_edge(START,"planner")graph.add_edge("planner","researcher")graph.add_conditional_edges("researcher",tools_condition,{"tools":"tools",END:"summarizer",})graph.add_edge("tools","researcher")graph.add_edge("summarizer",END)app=graph.compile()result=app.invoke({"messages":[{"role":"user","content":"Research LangGraph and write a report."}],"notes":"",})

特点

• 流程是写死的：planner → researcher ↔ tools → summarizer → END
• State 自定义：除了 messages 还能挂notes、step_count、任何业务字段
• 可加人工审批：在某条边上interrupt()，等人工 approve 再继续
• 天然可持久化：用 checkpointer 一行配好，崩了能续跑

何时必须用 LangGraph

• 需要确定性流程（必须先 A 再 B 再 C）
• 需要人工介入（审批、修改、确认）
• 需要多 Agent 协作但流程要可控（不放心让 LLM 自己调度）
• 需要可恢复执行（任务跑一半 crash 了能续上）

六、三者关系图（一图流）

┌─────────────────────────────────────────────────────┐ │ Deep Agents │ ← 最高层封装 │ （内置规划 + 虚拟FS + 子Agent + 优化prompt） │ ├─────────────────────────────────────────────────────┤ │ LangChain create_agent │ ← 标准 ReAct │ （模型 + 工具 + 循环） │ ├─────────────────────────────────────────────────────┤ │ LangGraph │ ← 底层引擎 │ （StateGraph / Node / Edge / Checkpoint） │ └─────────────────────────────────────────────────────┘

关键事实：上面两层都是基于 LangGraph 实现的。
create_agent内部其实就是一个预定义好的 LangGraph：agent_node ↔ tool_node的循环。
Deep Agents 又在create_agent之上注入了文件系统工具和子 Agent 工具。

七、关键差异对照（同一行为）

1. 添加"工具"

# LangChain Agentcreate_agent(model=...,tools=[fn1,fn2])# Deep Agentscreate_deep_agent(tools=[fn1,fn2],instructions=...)# 自动多送你: write_todos / read_file / write_file / edit_file / ls / task# LangGraphToolNode([fn1,fn2])# 还要自己接到图上

2. 控制"必须先做 A 再做 B"

# LangChain Agent# ❌ 做不到，只能在 system_prompt 里"求"模型先做 A# Deep Agents# ⚠️ 同上，靠 prompt 引导，但因为有 todo 工具会更稳# LangGraphgraph.add_edge("step_a","step_b")# ✅ 硬约束

3. 加"人工审批"

# LangChain Agent / Deep Agents# ❌ 原生不支持（要 hack）# LangGraphfromlanggraph.typesimportinterruptdefapproval_node(state):decision=interrupt({"question":"approve?"})return{"approved":decision}

4. 处理"工具结果超长"

# LangChain Agent# ❌ 全塞 messages → 直接爆 context# Deep Agents# ✅ 自动写入虚拟文件系统，messages 里只留 "已保存到 results.md"# LangGraph# ✅ 自己定 State：把长结果存到 state["files"]，messages 只放摘要

八、怎么选？（决策树）

你的任务是什么？ │ ├─ 简单问答 + 几个工具调用就够？ │ └─→ LangChain Agent ✅ │ ├─ 长程研究/写代码/写文档，怕爆 context？ │ └─→ Deep Agents ✅ │ ├─ 流程必须可控？要审批/分支/可恢复？多 Agent 编排？ │ └─→ LangGraph ✅ │ └─ 我全都要？ └─→ LangGraph 打底 + create_agent 当节点 + Deep Agents 思路引入虚拟FS

九、实战建议

1. 从 LangChain Agent 开始练手——先理解工具调用循环
2. 遇到 context 爆炸 → 升级到 Deep Agents——白送一堆能力
3. 遇到流程失控 / 要上生产 → 落到 LangGraph——用 State + 节点把控
4. 三者可以混用：LangGraph 的某个节点内部完全可以跑create_agent或 Deep Agent

参考文档：

• LangChain Overview
• LangChain Agents
• Deep Agents
• LangGraph