学习笔记 · Obsidian
Build 总览与技术选型
核心结论
LangChain 的开源栈不是三套互斥方案，而是同一技术栈上不同抽象层级的入口：
- Deep Agents：面向复杂、长时间运行的任务，预置规划、子代理、虚拟文件系统和长期记忆；适合尽快获得完整 agent harness。
- LangChain：可配置的轻量 agent 框架，通过模型、工具、提示词和 middleware 精确组合能力；适合希望保留较高定制性的应用。
- LangGraph：低层、有状态的编排运行时，重点解决 durable execution、streaming、memory 和 human-in-the-loop；适合复杂工作流、显式状态机和恢复控制。
三者的选择轴是“需要多少现成能力”和“需要多少底层控制”，不是简单的功能强弱排序。Deep Agents 与 LangChain 都建立在 LangGraph 之上，因此可以先从高层入口起步，在确有需要时下沉到 LangGraph。
Agent 工程生命周期
官网把完整生命周期分为：
- Build：使用 Deep Agents、LangChain、LangGraph 和集成组件构建 agent。
- Test：通过数据集、评估器与提示词工程评测行为。
- Deploy：将 agent 以可扩展服务部署。
- Monitor：通过 tracing、debugging 和线上 observability 发现问题。
LangSmith 横跨测试、部署与监控，不应只被理解为 trace 查看器。
选择建议
| 场景 | 起点 | 原因 |
|---|---|---|
| 复杂研究、编码或多步骤自治任务 | Deep Agents | 内建任务规划、子代理、文件系统与长期记忆 |
| 常规工具调用 agent，需要控制模型、工具和中间件 | LangChain | 抽象适中，组合边界清晰 |
| 工作流状态复杂、需持久化恢复、人工审批或确定性控制 | LangGraph | 显式图编排与运行时能力最完整 |
| 不想从零实现终端编码 agent | Deep Agents Code | 可直接安装运行，并支持模型切换、技能、记忆和 shell 审批 |
配套入口
- Integrations：连接模型提供商、向量库、retriever 和其他组件。
- Learn：教程、概念指南与常见 agent 模式。
- Reference：API、错误码、发布说明和迁移指南。
- Contribute：文档、代码和生态集成贡献流程。
后续验证问题
- Python 与 TypeScript 两套文档的能力是否完全对齐，哪些功能存在发布时间差异？
- Deep Agents 的默认 harness 在生产环境中的容错、安全隔离和权限边界如何实现？
- LangChain agent 与直接使用 LangGraph 的迁移边界、状态兼容性和观测能力如何衔接？