30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度在实际 AI 应用开发中当我们需要构建一个能够自主规划、使用工具、处理复杂任务的智能体时常常会面对 LangChain、LangGraph 和 Deep Agents 这三个名字。它们听起来相似功能上似乎也有重叠这让很多开发者感到困惑它们到底是什么关系我的项目到底该用哪一个是选一个就够了还是需要组合使用这种困惑的根源在于这三个组件并非简单的替代关系而是分别扮演着“工具箱”、“工作流引擎”和“开箱即用的智能体框架”三种不同的角色。理解它们各自的定位和协作方式是高效构建可靠 AI 应用的关键。本文将从一个“打工人”团队的比喻出发结合具体的代码示例和架构图帮你彻底厘清 LangChain、LangGraph 和 Deep Agents 的区别与联系并指导你如何根据项目需求做出正确的技术选型。1. 从“打工人”团队理解三者的核心定位我们可以将构建一个复杂 AI 应用的过程想象成组建一个高效的项目团队。LangChain、LangGraph 和 Deep Agents 分别对应着团队中的三种关键角色。1.1 LangChain提供“工具”和“标准操作流程”的专家LangChain 是这个团队里的“资深工程师”或“工具专家”。他的核心职责是提供构建模块和标准化接口。他做什么他负责准备和封装所有可能用到的“工具”Tools比如调用搜索引擎的 API、读取数据库的函数、操作文件的工具。同时他也定义了与大型语言模型LLM交互的标准方式如Runnable接口、管理对话历史Memory的机制、以及从文档中提取知识Retrieval的通用流程。他的产出是什么一套高质量、可复用的“工具包”和“操作手册”。例如一个封装好的GoogleSearchTool或者一个标准的ConversationBufferMemory组件。类比开发就像你在项目中引入的requests库用于 HTTP 请求或者sqlalchemy用于数据库操作。LangChain 提供了与 LLM 及其周边生态工具、记忆、检索等交互的底层抽象和实现。# LangChain 的角色示例定义工具和链 from langchain.tools import Tool from langchain.memory import ConversationBufferMemory from langchain.chains import LLMChain from langchain.prompts import PromptTemplate # 1. 定义工具这是LangChain的强项 def get_weather(city: str) - str: 获取城市天气。 # 这里模拟调用天气API return f查询{city}的天气晴朗25°C。 weather_tool Tool.from_function( funcget_weather, nameget_weather, description根据城市名称查询天气 ) # 2. 管理记忆这也是LangChain的强项 memory ConversationBufferMemory(memory_keychat_history) # 3. 组合提示词和LLM形成链基础编排 prompt PromptTemplate.from_template(你是一个助手。历史对话{chat_history}\n用户问题{input}) # 假设 llm 已初始化 # chain LLMChain(llmllm, promptprompt, memorymemory)关键点LangChain 让“调用工具”和“管理记忆”变得规范但它本身不负责决定“何时”以及“以何种顺序”去使用这些工具。它提供了零件但没规定组装流水线。1.2 LangGraph设计“工作流”和“调度逻辑”的架构师LangGraph 是团队里的“系统架构师”或“项目经理”。他的核心职责是设计和编排复杂、有状态的工作流程。他做什么他关注的是“控制流”。当一个任务需要多个步骤并且这些步骤之间存在条件判断、循环、或并行处理时就轮到 LangGraph 出场了。他用“图”Graph来定义工作流节点Node代表一个步骤如调用LLM、执行工具边Edge代表步骤之间的流转条件。他的产出是什么一个可视化的、可持久化执行状态的工作流蓝图。例如“先分析用户意图如果是查询天气则调用A工具如果是订餐则并行调用B和C工具最后汇总结果”。类比开发就像你用Airflow或Prefect来编排数据管道或者用状态机库来管理一个复杂业务对象的生命周期。LangGraph 专门用于编排 LLM、工具和其他任务之间的执行逻辑。# LangGraph 的角色示例定义有状态、有条件的工作流 from langgraph.graph import StateGraph, END from typing import TypedDict, Annotated import operator # 1. 定义状态State这是工作流中流转的数据 class AgentState(TypedDict): messages: Annotated[list, operator.add] # 消息列表 next: str # 下一个节点 # 2. 定义节点Node函数 def llm_node(state: AgentState): 节点调用LLM分析用户意图 # 模拟LLM调用根据消息内容决定下一步 last_message state[messages][-1][content] if 天气 in last_message: return {next: call_weather_tool} else: return {next: generate_response} def weather_tool_node(state: AgentState): 节点调用天气工具 # 这里会实际调用前面LangChain定义的weather_tool city 北京 # 简化处理实际应从state中解析 result get_weather(city) state[messages].append({role: assistant, content: f工具调用结果{result}}) return {next: generate_response} def response_node(state: AgentState): 节点生成最终回复 state[messages].append({role: assistant, content: 这是最终回复。}) return {next: END} # 3. 构建图Graph workflow StateGraph(AgentState) workflow.add_node(analyze, llm_node) workflow.add_node(call_weather, weather_tool_node) workflow.add_node(respond, response_node) # 4. 设置边Edge定义流转逻辑 workflow.set_entry_point(analyze) workflow.add_conditional_edges( analyze, # 根据 llm_node 返回的 state[“next”] 值决定去向 lambda x: x[next], { call_weather_tool: call_weather, generate_response: respond } ) workflow.add_edge(call_weather, respond) workflow.add_edge(respond, END) # 编译成可执行的应用 app workflow.compile() # 运行这个工作流app.invoke({messages: [{role: user, content: 北京天气怎么样}]})关键点LangGraph 提供了强大的流程编排能力但它不预置具体的工具、记忆管理策略或复杂的子任务调度逻辑。你需要自己定义每个节点做什么以及它们如何连接。1.3 Deep Agents自带“团队”和“管理章程”的成熟产品经理Deep Agents 是一位“经验丰富的产品经理”或“现成的项目团队”。他自带了一套完整的、为复杂智能体任务优化过的解决方案。他做什么他不仅带来了 LangChain 提供的工具包Tools还内置了 LangGraph 的流程引擎并在此基础上额外提供了一套开箱即用的高级功能虚拟文件系统让智能体可以安全地读写文件、子智能体Subagent生成与调度自动将大任务拆解并分派、技能Skills与记忆Memory管理系统按需加载领域知识、人类干预Human-in-the-loop机制在关键操作前暂停等待批准。他的产出是什么一个功能完整、可直接投入复杂任务如自动代码库分析、多步骤研究报告生成的“智能体员工”。你只需要告诉他目标他就能自己规划、使用工具、管理上下文、甚至在需要时创建临时助手子智能体来并行处理。类比开发就像你使用一个成熟的、高度集成的 SaaS 平台如 Zapier 或 n8n来构建自动化工作流而不是自己从零开始搭建服务器、编写调度器和设计用户界面。Deep Agents 是一个建立在 LangChain 和 LangGraph 之上的“智能体应用框架”或“智能体运行时”。# Deep Agents 的角色示例快速创建一个功能完备的智能体 # 注意以下代码基于Deep Agents的公开接口示例实际安装命令为 pip install deepagents from deepagents import create_deep_agent # 1. 定义一个自定义工具依然使用LangChain的风格 def search_web(query: str) - str: 在网络上搜索信息。 return f搜索 {query} 的结果... # 2. 创建Deep Agent。一句话它就具备了规划、文件操作、子任务分发等能力。 agent create_deep_agent( modelopenai:gpt-4, # 指定模型 tools[search_web], # 加入自定义工具 system_prompt你是一个研究助手擅长拆解复杂问题并使用工具。, # Deep Agents 内部已集成虚拟文件系统、任务规划(write_todos)、子智能体(task工具)等 ) # 3. 运行智能体。它会自动决定如何使用工具、是否创建子任务等。 result agent.invoke({ messages: [{ role: user, content: 请分析当前项目目录下的README.md文件并总结其核心功能然后搜索一下类似的知名开源项目。 }] }) print(result[messages][-1][content])关键点Deep Agents 是一个更高层次的抽象。它为了追求“开箱即用”和“处理复杂任务”做出了一系列内置的设计决策如默认的文件系统工具、子智能体调用方式。如果你需要极致的定制化控制可能会觉得它“太重”或“不够灵活”但对于快速构建功能强大的智能体它是最高效的选择。为了更直观地理解三者的层次和关系可以参考下面的架构定位图| 应用场景与抽象层级 | 对应组件 | 核心价值 | |----------------------------|-------------------|----------------------------------------| | 开箱即用的复杂智能体应用 | Deep Agents | 内置最佳实践快速构建可靠智能体 | | 自定义、有状态的复杂工作流 | LangGraph | 可视化、可持久化的流程编排与控制流 | | 与LLM交互的基础构件与抽象 | LangChain | 标准化工具、记忆、检索等组件的交互方式 | | 大型语言模型 (LLM) | OpenAI, Claude等 | 提供核心的推理与生成能力 |如图所示LangChain 是基础LangGraph 是在此之上增加了强大的工作流编排层而 Deep Agents 则是在前两者的基础上封装成了一个面向复杂任务、功能集成的产品化框架。2. 核心功能对比与选型指南了解定位后我们通过一个功能对比表来具体看看在不同需求下该如何选择。功能特性LangChainLangGraphDeep Agents说明与选型建议核心定位基础构件库工作流编排引擎智能体应用框架Harness基础建设选LangChain复杂流程选LangGraph快速交付复杂智能体选Deep Agents。工具Tools✅ 核心功能丰富生态 通过LangChain使用✅ 内置支持并扩展了MCP协议需要大量自定义或第三方工具LangChain是基础。Deep Agents对其有良好集成。记忆Memory✅ 多种记忆后端 状态State管理更灵活✅ 内置技能(Skills)与记忆(Memory)系统LangChain记忆简单易用。LangGraph状态管理强大。Deep Agents的记忆系统更面向生产如AGENTS.md。工作流/状态管理 简单的顺序链Chain✅核心优势支持循环、条件分支、并行✅ 内置基于LangGraph的运行时只要有“如果...就...”或“循环直到...”逻辑就必须用LangGraph或基于它的Deep Agents。子任务/代理调度❌ 不支持 可通过图节点模拟但需自行实现✅核心优势内置task工具一键生成子智能体任务需要自动拆解、并行执行或隔离上下文Deep Agents的Subagent是杀手锏。文件系统操作❌ 需自行封装工具❌ 需自行封装工具✅核心优势内置虚拟文件系统与权限控制智能体需要读取代码、写文件、分析目录结构Deep Agents省去大量开发。人类干预HITL❌ 需自行实现✅ 支持中断Interrupts✅ 内置可通过interrupt_on配置需要在关键操作如删除文件、调用付费API前人工审核LangGraph和Deep Agents都支持。学习曲线较低中中高LangChain上手快。LangGraph需理解图概念。Deep Agents概念多但开箱即用。定制灵活性高很高中LangChain和LangGraph像乐高随意组合。Deep Agents像精装房改水电底层逻辑较麻烦。适用场景快速构建简单问答链、RAG系统构建客服机器人、游戏NPC、复杂决策流程构建自主研发助手、自动化运营机器人、复杂分析Agent2.1 如何根据项目需求选择场景一构建一个简单的基于知识库的问答机器人RAG需求查询外部知识库结合LLM生成答案。流程基本固定检索 - 组合上下文 - 生成。选择LangChain完全足够。它的RetrievalQA链可以轻松搞定。引入 LangGraph 或 Deep Agents 属于过度设计。场景二构建一个高级客服机器人需要根据用户问题动态选择不同处理流程需求用户问题先分类。如果是“查订单”走A流程查DB-格式化如果是“投诉”走B流程记录-升级人工。流程有分支和状态。选择LangGraph是最佳选择。你可以用图清晰定义分类节点、各个流程分支节点以及它们之间的流转条件。场景三构建一个AI研发助手能自动分析项目代码、运行测试、并生成报告需求智能体需要能遍历文件目录、阅读代码、执行Shell命令、将大问题拆解为多个子任务如先静态分析再运行测试并且要能安全地控制文件访问权限。选择Deep Agents是首选。它的内置文件系统工具、子智能体Subagent能力和权限控制能直接满足这些复杂需求极大提升开发效率。组合使用策略 在大型项目中三者完全可以协同工作。常见模式是使用 LangChain 来封装和接入各种工具与数据源使用 LangGraph 来编排核心的业务流程和状态机而对于其中特别复杂、需要自主规划的子模块比如代码分析引擎则直接使用一个 Deep Agent 作为“黑盒”组件集成到 LangGraph 的工作流中。3. 实战从零构建一个具备子任务拆分能力的智能体下面我们通过一个具体的例子分别使用 LangGraph 和 Deep Agents 来实现同一个需求直观感受两者的不同。需求创建一个智能体它能处理用户指令“帮我规划一个周末旅行包括天气查询、景点推荐和预算估算”。3.1 使用 LangGraph LangChain 手动实现这种方式需要我们自己定义工作流、工具和状态管理。# 假设已安装pip install langchain langgraph from typing import TypedDict, Annotated, Union from langgraph.graph import StateGraph, END import operator from langchain.tools import Tool from langchain_community.chat_models import ChatOpenAI # 示例需替换为实际模型 from langchain_core.messages import HumanMessage, AIMessage import json # --- 1. 定义工具 (LangChain) --- def get_weather(city: str) - str: 模拟获取天气 return json.dumps({city: city, weather: 晴朗, temp: 22-28°C}) def recommend_attractions(city: str) - str: 模拟推荐景点 return json.dumps({city: city, attractions: [博物馆, 城市公园, 古街]}) def estimate_budget(city: str, days: int) - str: 模拟估算预算 return json.dumps({city: city, days: days, estimated_budget: f{days * 500}元}) weather_tool Tool.from_function(funcget_weather, nameget_weather, description查询城市天气) attraction_tool Tool.from_function(funcrecommend_attractions, namerecommend_attractions, description推荐城市景点) budget_tool Tool.from_function(funcestimate_budget, nameestimate_budget, description估算旅行预算) # --- 2. 定义状态和节点 (LangGraph) --- class TravelPlanState(TypedDict): 旅行规划的状态 messages: Annotated[list, operator.add] # 对话消息历史 city: Union[str, None] # 解析出的城市 days: Union[int, None] # 解析出的天数 weather_info: Union[str, None] attractions_info: Union[str, None] budget_info: Union[str, None] next_step: str # 控制下一步 llm ChatOpenAI(modelgpt-4, temperature0) # 初始化LLM def parse_intent_and_extract_info(state: TravelPlanState): 节点1解析用户意图提取关键信息城市、天数 user_input state[messages][-1].content if state[messages] else # 这里简化处理实际应用应让LLM进行解析 prompt f 用户请求{user_input} 请从中提取旅行目的地城市和预计旅行天数周末通常为2天。 以JSON格式返回只包含city和days两个字段。如果无法提取设为null。 示例{{city: 北京, days: 2}} response llm.invoke(prompt) try: info json.loads(response.content) state[city] info.get(city) state[days] info.get(days, 2) # 默认2天 state[next_step] plan_tasks except: state[city] None state[days] 2 state[next_step] ask_for_clarification return state def plan_tasks(state: TravelPlanState): 节点2规划需要执行哪些子任务 # 在实际应用中这里可能用LLM来规划。此处我们硬编码任务列表。 state[next_step] execute_weather return state def execute_weather(state: TravelPlanState): 节点3执行天气查询子任务 if state[city]: state[weather_info] weather_tool.run(state[city]) state[next_step] execute_attractions return state def execute_attractions(state: TravelPlanState): 节点4执行景点推荐子任务 if state[city]: state[attractions_info] attraction_tool.run(state[city]) state[next_step] execute_budget return state def execute_budget(state: TravelPlanState): 节点5执行预算估算子任务 if state[city] and state[days]: state[budget_info] budget_tool.run(json.dumps({city: state[city], days: state[days]})) state[next_step] synthesize_report return state def synthesize_report(state: TravelPlanState): 节点6汇总所有信息生成最终报告 report f # 周末旅行规划报告 **目的地**{state.get(city, 未指定)} **天数**{state.get(days, 2)}天 **天气情况**{state.get(weather_info, 无)} **推荐景点**{state.get(attractions_info, 无)} **预算估算**{state.get(budget_info, 无)} state[messages].append(AIMessage(contentreport)) state[next_step] END return state def ask_for_clarification(state: TravelPlanState): 节点X请求用户澄清 state[messages].append(AIMessage(content请问您想去哪个城市度周末)) state[next_step] END # 等待用户下次输入这里简化处理 return state # --- 3. 构建工作流图 (LangGraph) --- workflow StateGraph(TravelPlanState) # 添加所有节点 workflow.add_node(parse, parse_intent_and_extract_info) workflow.add_node(plan, plan_tasks) workflow.add_node(do_weather, execute_weather) workflow.add_node(do_attractions, execute_attractions) workflow.add_node(do_budget, execute_budget) workflow.add_node(report, synthesize_report) workflow.add_node(clarify, ask_for_clarification) # 设置入口和边 workflow.set_entry_point(parse) workflow.add_conditional_edges( parse, lambda s: s[next_step], {plan_tasks: plan, ask_for_clarification: clarify} ) # 从plan开始顺序执行各个任务节点最后到report workflow.add_edge(plan, do_weather) workflow.add_edge(do_weather, do_attractions) workflow.add_edge(do_attractions, do_budget) workflow.add_edge(do_budget, report) workflow.add_edge(report, END) workflow.add_edge(clarify, END) app workflow.compile() # --- 4. 运行工作流 --- initial_state {messages: [HumanMessage(content帮我规划一下上海周末的旅行)]} result app.invoke(initial_state) print(result[messages][-1].content)这个实现的要点与不足要点我们清晰地定义了一个包含多个步骤节点和简单顺序逻辑的工作流。每个节点职责单一。不足子任务管理简陋plan_tasks节点只是简单设置了下一个节点没有真正的任务列表管理。没有并行天气、景点、预算查询是顺序执行的实际上它们可以并行。错误处理弱工具调用失败、信息提取失败的处理逻辑需要大量额外代码。代码量大为了实现一个相对简单的需求我们需要编写大量“胶水”代码来连接各个环节。3.2 使用 Deep Agents 实现现在我们看看用 Deep Agents 如何更简洁地实现类似功能并享受其内置的高级特性。# 假设已安装pip install deepagents langchain-openai from deepagents import create_deep_agent import json # --- 1. 定义工具与之前相同--- def get_weather(city: str) - str: 模拟获取天气 return json.dumps({city: city, weather: 晴朗, temp: 22-28°C}) def recommend_attractions(city: str) - str: 模拟推荐景点 return json.dumps({city: city, attractions: [博物馆, 城市公园, 古街]}) def estimate_budget(city: str, days: int 2) - str: # 注意参数变化 模拟估算预算 return json.dumps({city: city, days: days, estimated_budget: f{days * 500}元}) # --- 2. 创建Deep Agent --- agent create_deep_agent( modelopenai:gpt-4, # 使用OpenAI模型 tools[get_weather, recommend_attractions, estimate_budget], system_prompt你是一个旅行规划助手。你的任务是 1. 理解用户请求提取目的地城市和旅行天数。 2. 如果需要使用get_weather、recommend_attractions、estimate_budget工具获取信息。 3. 如果任务复杂比如涉及多个不相关的子查询你可以使用task工具创建子智能体来并行处理。 4. 最后汇总所有信息生成一份清晰的旅行规划报告。 , # Deep Agents 自动提供了 task 工具用于创建子智能体 # 还内置了文件系统访问、记忆管理等能力 ) # --- 3. 运行智能体 --- result agent.invoke({ messages: [{ role: user, content: 帮我规划一个上海周末的旅行包括天气查询、景点推荐和预算估算。 }] }) # 输出最终结果 final_message result[messages][-1][content] print(智能体最终回复) print(final_message) # 你还可以查看完整的执行过程包括可能的子任务调用 print(\n--- 执行流摘要 ---) for msg in result[messages]: if msg[role] assistant and tool_calls in msg: for call in msg[tool_calls]: print(f工具调用: {call[function][name]} - {call.get(result, N/A)})Deep Agents 实现的核心优势代码极简核心逻辑就是创建一个agent并invoke。工作流的编排、子任务的决策是否使用task工具交给了智能体自身和 Deep Agents 运行时。内置子智能体如果任务足够复杂智能体可以自动使用内置的task工具来创建子智能体处理。例如它可以创建一个子智能体专门负责“搜索景点评价”另一个子智能体负责“计算交通预算”。这一切不需要你手动在图里定义节点和边。开箱即用的可靠性Deep Agents 内部已经处理了上下文管理避免令牌超限、工具调用的错误处理、部分结果的缓存等生产级问题。可观察性通过集成 LangSmith可以方便地追踪整个调用链包括主智能体和所有子智能体的思考过程、工具调用和结果。4. 常见问题与排查指南在实际使用中你可能会遇到以下典型问题。4.1 如何选择我该从哪个开始学问题我是新手应该直接学 Deep Agents 吗建议从 LangChain 开始理解Tool、Memory、Chain这些基础概念。用它构建一个简单的 RAG 应用或工具调用机器人。这是地基。然后学习 LangGraph当你发现任务需要“循环”比如让智能体反复思考直到满意或“分支”根据不同条件走不同路径时开始学习 LangGraph 的StateGraph、Node、Edge概念。用它构建一个简单的客服状态机。最后评估 Deep Agents当你需要快速构建一个功能复杂、需要文件操作、自动任务拆解的智能体时再深入研究 Deep Agents。此时你会更能理解它内置的各个模块如Skills、Subagent解决了什么问题。4.2 集成与兼容性问题问题我的项目已经用了很多 LangChain 的组件能平滑迁移到 Deep Agents 吗解答可以。Deep Agents 与 LangChain 生态兼容性很好。工具Deep Agents 的tools参数可以直接接收 LangChain 的Tool对象。模型通过langchain-*系列的集成包如langchain-openai可以轻松指定模型。迁移策略可以从一个独立的、复杂的模块开始尝试 Deep Agents而不是全盘替换。例如在一个 LangGraph 工作流中将某个特别复杂的节点替换为一个 Deep Agent。4.3 性能与成本考量问题Deep Agents 的子智能体Subagent功能会导致成本暴涨吗解答不一定这取决于设计。优势节省成本Deep Agents 的上下文管理如总结、卸载和子智能体隔离可以防止单个任务的冗长上下文挤占主智能体的令牌窗口反而可能更经济。风险增加成本如果智能体过度拆解任务为每个简单查询都创建子智能体确实会增加 LLM 调用次数。最佳实践设定明确规则在系统提示词中约束智能体只有对于独立、耗时、或需要不同专业知识的子任务才使用task工具。使用更小/更便宜的模型给子智能体Deep Agents 允许你为子智能体配置不同的模型。监控与评估利用 LangSmith 等工具监控每次运行的成本和令牌消耗优化提示词和任务拆解策略。4.4 调试与监控问题Deep Agents 或 LangGraph 工作流出错了如何调试排查路径启用详细日志设置环境变量LANGCHAIN_VERBOSEtrue或LANGCHAIN_TRACING_V2true并配置LANGCHAIN_API_KEY将 trace 记录到 LangSmith。在 LangSmith 中查看这是最强大的方式。你可以看到完整的执行图每个节点的输入输出。工具调用详情参数、结果、耗时。子智能体调用Deep Agents 创建的每个task都会是一个独立的 trace。令牌消耗每个步骤的详细用量。简化测试对于 Deep Agents先创建一个只有基础工具、没有复杂系统提示词的智能体看是否能正常运行。然后逐步添加功能。检查工具定义确保工具函数的文档字符串...清晰准确LLM 依赖它来决定是否以及如何调用工具。5. 总结与最佳实践LangChain、LangGraph、Deep Agents 构成了一个从基础到高级、从灵活到集成的 AI 智能体开发生态。LangChain 是“标准件仓库”当你需要连接 LLM 与外部世界工具、数据、记忆时它是你的首选。最佳实践是熟练掌握其Runnable接口、Tool抽象和Memory管理这是所有上层建筑的基石。LangGraph 是“自动化流水线设计软件”当你需要编排一个包含判断、循环、多步骤的复杂业务流程时它是你的核心引擎。最佳实践是先用纸笔画出状态转换图再转化为StateGraph将状态State设计得清晰明了善用conditional_edges和interrupts实现灵活控制。Deep Agents 是“智能机器人成品车间”当你需要快速交付一个能处理开放式复杂任务如代码库分析、自动化研究、且希望它具备规划、文件操作、子任务拆分等高级能力的智能体时它是你的加速器。最佳实践是充分理解其内置能力文件系统、Skills、Subagent在系统提示词中明确其角色和边界对于关键操作使用interrupt_on配置人工审核点通过 LangSmith 持续观察和优化其行为。对于大多数团队建议的演进路径是从 LangChain 构建原型验证核心功能 - 遇到复杂流程时引入 LangGraph 进行编排 - 在项目需要高度自主的复杂智能体时评估并引入 Deep Agents 作为特定模块或完整解决方案。理解这三者的互补关系能让你在 AI 应用开发的工具箱中为每个任务选择最趁手的工具。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度