LangChain、LangGraph和DeepAgents的思考循环层数需要从它们的技术架构和协作关系来理解。三者并非简单的并列关系而是构成一个从底层运行时到高层应用框架的分层栈。下面通过技术对比和具体示例详细分析。一、核心架构分层与循环层数定位根据官方定义这三个项目是智能体开发栈的三个不同层级其依赖关系自下而上层级项目官方术语核心价值思考循环层数定位底层LangGraphAgent Runtime智能体运行时持久化执行、流式、人机协同、状态持久化单层循环控制提供最基础的节点-边执行引擎中层LangChainAgent Framework智能体框架抽象与集成模型、工具、Agent循环、中间件双层循环抽象封装ReAct等模式提供中间件扩展上层Deep AgentsAgent Harness智能体外壳/装备预置工具、提示词、子智能体、上下文管理多层嵌套循环主智能体子智能体长期记忆规划循环二、LangGraph底层单循环运行时LangGraph作为编排框架与运行时提供最基础的循环执行引擎。它采用**有状态图StateGraph**模型将智能体逻辑建模为节点和边from langgraph.graph import StateGraph, MessagesState, START, END def mock_llm(state: MessagesState): return {messages: [{role: ai, content: hello world}]} # 构建工作流 graph StateGraph(MessagesState) graph.add_node(mock_llm) # 添加节点 graph.add_edge(START, mock_llm) # 添加边 graph.add_edge(mock_llm, END) graph graph.compile() # 编译工作流 # 执行单次循环 result graph.invoke({messages: [{role: user, content: hi!}]})循环层数分析单层循环控制LangGraph本身不定义智能体的思考模式只提供基础执行循环显式控制流开发者需要显式定义节点和边控制流完全由开发者掌控持久化执行通过Checkpointer在每一步持久化状态支持长时运行和中断恢复典型的模型工具循环在LangGraph中需要显式建模为开始 → 模型节点 → 条件判断 → 工具节点 → 返回模型节点 → 结束三、LangChain中层双层循环框架LangChain构建在LangGraph之上通过create_agent工厂函数封装了智能体的核心循环。其1.0版本引入了中间件架构形成了双层循环结构from langchain.agents import create_agent from langchain.chat_models import init_chat_model from langchain.agents.middleware import PIIMiddleware # 初始化模型 deepseek_llm init_chat_model( modeldeepseek-chat, model_providerdeepseek, api_keyDEEPSEEK_API_KEY, base_urlDEEPSEEK_BASE_URL, ) # 创建带中间件的Agent agent create_agent( modeldeepseek_llm, tools[search_weather], middleware[ PIIMiddleware(api_key, detectorrsk-[a-zA-Z0-9]{32}, strategyblock), ], system_prompt你是一个AI智能助手可以查询天气。, )循环层数分析核心ReAct循环内部实现标准的思考-行动-观察循环第一层中间件洋葱圈中间件在关键阶段提供拦截钩子形成外层包装循环第二层可组合扩展每个中间件专注单一功能按任意顺序堆叠中间件的拦截点包括Agent执行前后、模型调用前后、工具调用前后等阶段形成如下图所示的洋葱圈结构请求进入 → 中间件1前处理 → 中间件2前处理 → 核心ReAct循环 → 中间件2后处理 → 中间件1后处理 → 响应返回四、Deep Agents上层多层嵌套循环Deep Agents作为智能体Harness构建在LangChain之上引入了更复杂的循环结构4.1 主智能体循环 子智能体循环Deep Agents通过task工具派生子智能体形成主从循环结构from deepagents import create_deep_agent # 创建Deep Agent agent create_deep_agent( modelanthropic:claude-sonnet-4-6, tools[get_weather, task], # 包含子智能体工具 system_promptYou are a helpful assistant, ) # 主智能体执行 result agent.invoke({ messages: [{role: user, content: 分析多个城市的天气并生成报告}] })循环嵌套关系主智能体循环处理用户请求决定是否派生子任务子智能体循环执行专门化任务完成后返回结果上下文压缩循环当上下文过大时触发摘要或卸载机制4.2 规划循环与执行循环Deep Agents内置write_todos工具智能体可以维护结构化任务清单形成规划-执行循环阶段工具/机制循环作用规划阶段write_todos创建带状态的任务清单pending/in_progress/completed执行阶段各种工具调用按清单顺序执行任务监控阶段状态持久化跟踪任务进度必要时调整计划4.3 上下文管理循环Deep Agents采用智能上下文管理机制形成动态调整循环# 上下文管理决策流程伪代码逻辑 def manage_context(current_context, model_max_tokens): if tool_input_output 20000: # 大工具结果 offload_to_filesystem() # 卸载到文件系统 elif context_usage 0.85 * model_max_tokens: # 上下文接近上限 if can_offload_more(): offload_old_tools() # 卸载旧工具调用 else: summarize_conversation() # 触发摘要 return optimized_context上下文循环流程监控循环持续跟踪上下文token使用量卸载循环大工具结果→文件系统历史中保留指针摘要循环上下文超限→生成结构化摘要替换历史五、技术选型与循环复杂度对比框架循环层数循环类型适用场景开发复杂度LangGraph单层基础执行循环需要细粒度控制、持久化执行的生产级工作流高需显式定义所有节点和边LangChain双层核心ReAct循环 中间件包装循环快速构建标准智能体需要灵活扩展中间件中提供抽象但保留控制Deep Agents多层主从循环 规划循环 上下文管理循环复杂长时运行任务需要开箱即用的高级功能低预置复杂循环逻辑六、实际应用场景示例场景1简单问答机器人适合LangChain# LangChain双层循环足够 agent create_agent( modelllm, tools[search, calculator], middleware[logging_middleware], # 添加日志中间件 ) # 循环用户输入 → 中间件处理 → ReAct循环 → 中间件后处理 → 响应场景2复杂数据分析流水线适合LangGraph# LangGraph显式控制多阶段循环 graph StateGraph(WorkflowState) graph.add_node(data_extraction, extract_data) graph.add_node(data_cleaning, clean_data) graph.add_node(analysis, analyze_data) graph.add_node(reporting, generate_report) # 定义条件边实现复杂循环逻辑 graph.add_conditional_edges( analysis, lambda state: reporting if state[quality] 0.8 else data_cleaning )场景3自动化代码开发助手适合Deep Agents# Deep Agents多层循环处理复杂任务 agent create_deep_agent( modelclaude-3-opus, tools[write_todos, edit_file, execute, task], # 包含规划、执行、子智能体 system_prompt你是一个全栈开发助手, interrupt_on{edit_file: True}, # 人机协同循环 ) # 执行过程涉及 # 1. 规划循环分析需求 → 创建任务清单 # 2. 执行循环按清单执行编码、测试 # 3. 子智能体循环派生子任务如代码审查 # 4. 上下文循环管理不断增长的代码上下文 # 5. 人机协同循环关键编辑前等待确认七、总结循环层数的演进路径从技术演进角度看这三个框架代表了智能体思考循环的不同抽象层级LangGraph提供基础单层显式循环控制适合需要完全掌控执行流程的复杂工作流LangChain封装标准模式双层循环ReAct核心中间件包装平衡易用性与灵活性Deep Agents预置复杂逻辑多层嵌套循环主从、规划、上下文管理开箱即用但定制性相对较低选择时需要考虑任务复杂度决定需要的循环层数控制需求决定选择哪一层的抽象。简单任务用LangChain即可需要完全控制用LangGraph复杂长时任务用Deep Agents。在实际开发中可以从LangChain开始快速原型复杂部分用LangGraph定制生产级复杂应用考虑Deep Agents。这种分层架构让开发者可以根据具体需求选择合适的循环抽象层级既避免过度工程也确保系统可扩展性。参考来源LangChain vs LangGraph vs Deep Agents技术对比详解[DeepAgents:LangChain平台的Harness-01]LangChain、LangGraph和DeepAgents三者之间的关系【必学收藏】小白也能懂LangChain、LangGraph、DeepAgents三层架构解析DeepAgents vs LangChain, LangGraph 如何技术选型DeepAgents vs LangChain, LangGraph 如何技术选型【建议收藏】LangChain、LangGraph、DeepAgents三大框架区别解析大模型开发入门必看
LangGraph、LangChain、DeepAgent思考循环解析
LangChain、LangGraph和DeepAgents的思考循环层数需要从它们的技术架构和协作关系来理解。三者并非简单的并列关系而是构成一个从底层运行时到高层应用框架的分层栈。下面通过技术对比和具体示例详细分析。一、核心架构分层与循环层数定位根据官方定义这三个项目是智能体开发栈的三个不同层级其依赖关系自下而上层级项目官方术语核心价值思考循环层数定位底层LangGraphAgent Runtime智能体运行时持久化执行、流式、人机协同、状态持久化单层循环控制提供最基础的节点-边执行引擎中层LangChainAgent Framework智能体框架抽象与集成模型、工具、Agent循环、中间件双层循环抽象封装ReAct等模式提供中间件扩展上层Deep AgentsAgent Harness智能体外壳/装备预置工具、提示词、子智能体、上下文管理多层嵌套循环主智能体子智能体长期记忆规划循环二、LangGraph底层单循环运行时LangGraph作为编排框架与运行时提供最基础的循环执行引擎。它采用**有状态图StateGraph**模型将智能体逻辑建模为节点和边from langgraph.graph import StateGraph, MessagesState, START, END def mock_llm(state: MessagesState): return {messages: [{role: ai, content: hello world}]} # 构建工作流 graph StateGraph(MessagesState) graph.add_node(mock_llm) # 添加节点 graph.add_edge(START, mock_llm) # 添加边 graph.add_edge(mock_llm, END) graph graph.compile() # 编译工作流 # 执行单次循环 result graph.invoke({messages: [{role: user, content: hi!}]})循环层数分析单层循环控制LangGraph本身不定义智能体的思考模式只提供基础执行循环显式控制流开发者需要显式定义节点和边控制流完全由开发者掌控持久化执行通过Checkpointer在每一步持久化状态支持长时运行和中断恢复典型的模型工具循环在LangGraph中需要显式建模为开始 → 模型节点 → 条件判断 → 工具节点 → 返回模型节点 → 结束三、LangChain中层双层循环框架LangChain构建在LangGraph之上通过create_agent工厂函数封装了智能体的核心循环。其1.0版本引入了中间件架构形成了双层循环结构from langchain.agents import create_agent from langchain.chat_models import init_chat_model from langchain.agents.middleware import PIIMiddleware # 初始化模型 deepseek_llm init_chat_model( modeldeepseek-chat, model_providerdeepseek, api_keyDEEPSEEK_API_KEY, base_urlDEEPSEEK_BASE_URL, ) # 创建带中间件的Agent agent create_agent( modeldeepseek_llm, tools[search_weather], middleware[ PIIMiddleware(api_key, detectorrsk-[a-zA-Z0-9]{32}, strategyblock), ], system_prompt你是一个AI智能助手可以查询天气。, )循环层数分析核心ReAct循环内部实现标准的思考-行动-观察循环第一层中间件洋葱圈中间件在关键阶段提供拦截钩子形成外层包装循环第二层可组合扩展每个中间件专注单一功能按任意顺序堆叠中间件的拦截点包括Agent执行前后、模型调用前后、工具调用前后等阶段形成如下图所示的洋葱圈结构请求进入 → 中间件1前处理 → 中间件2前处理 → 核心ReAct循环 → 中间件2后处理 → 中间件1后处理 → 响应返回四、Deep Agents上层多层嵌套循环Deep Agents作为智能体Harness构建在LangChain之上引入了更复杂的循环结构4.1 主智能体循环 子智能体循环Deep Agents通过task工具派生子智能体形成主从循环结构from deepagents import create_deep_agent # 创建Deep Agent agent create_deep_agent( modelanthropic:claude-sonnet-4-6, tools[get_weather, task], # 包含子智能体工具 system_promptYou are a helpful assistant, ) # 主智能体执行 result agent.invoke({ messages: [{role: user, content: 分析多个城市的天气并生成报告}] })循环嵌套关系主智能体循环处理用户请求决定是否派生子任务子智能体循环执行专门化任务完成后返回结果上下文压缩循环当上下文过大时触发摘要或卸载机制4.2 规划循环与执行循环Deep Agents内置write_todos工具智能体可以维护结构化任务清单形成规划-执行循环阶段工具/机制循环作用规划阶段write_todos创建带状态的任务清单pending/in_progress/completed执行阶段各种工具调用按清单顺序执行任务监控阶段状态持久化跟踪任务进度必要时调整计划4.3 上下文管理循环Deep Agents采用智能上下文管理机制形成动态调整循环# 上下文管理决策流程伪代码逻辑 def manage_context(current_context, model_max_tokens): if tool_input_output 20000: # 大工具结果 offload_to_filesystem() # 卸载到文件系统 elif context_usage 0.85 * model_max_tokens: # 上下文接近上限 if can_offload_more(): offload_old_tools() # 卸载旧工具调用 else: summarize_conversation() # 触发摘要 return optimized_context上下文循环流程监控循环持续跟踪上下文token使用量卸载循环大工具结果→文件系统历史中保留指针摘要循环上下文超限→生成结构化摘要替换历史五、技术选型与循环复杂度对比框架循环层数循环类型适用场景开发复杂度LangGraph单层基础执行循环需要细粒度控制、持久化执行的生产级工作流高需显式定义所有节点和边LangChain双层核心ReAct循环 中间件包装循环快速构建标准智能体需要灵活扩展中间件中提供抽象但保留控制Deep Agents多层主从循环 规划循环 上下文管理循环复杂长时运行任务需要开箱即用的高级功能低预置复杂循环逻辑六、实际应用场景示例场景1简单问答机器人适合LangChain# LangChain双层循环足够 agent create_agent( modelllm, tools[search, calculator], middleware[logging_middleware], # 添加日志中间件 ) # 循环用户输入 → 中间件处理 → ReAct循环 → 中间件后处理 → 响应场景2复杂数据分析流水线适合LangGraph# LangGraph显式控制多阶段循环 graph StateGraph(WorkflowState) graph.add_node(data_extraction, extract_data) graph.add_node(data_cleaning, clean_data) graph.add_node(analysis, analyze_data) graph.add_node(reporting, generate_report) # 定义条件边实现复杂循环逻辑 graph.add_conditional_edges( analysis, lambda state: reporting if state[quality] 0.8 else data_cleaning )场景3自动化代码开发助手适合Deep Agents# Deep Agents多层循环处理复杂任务 agent create_deep_agent( modelclaude-3-opus, tools[write_todos, edit_file, execute, task], # 包含规划、执行、子智能体 system_prompt你是一个全栈开发助手, interrupt_on{edit_file: True}, # 人机协同循环 ) # 执行过程涉及 # 1. 规划循环分析需求 → 创建任务清单 # 2. 执行循环按清单执行编码、测试 # 3. 子智能体循环派生子任务如代码审查 # 4. 上下文循环管理不断增长的代码上下文 # 5. 人机协同循环关键编辑前等待确认七、总结循环层数的演进路径从技术演进角度看这三个框架代表了智能体思考循环的不同抽象层级LangGraph提供基础单层显式循环控制适合需要完全掌控执行流程的复杂工作流LangChain封装标准模式双层循环ReAct核心中间件包装平衡易用性与灵活性Deep Agents预置复杂逻辑多层嵌套循环主从、规划、上下文管理开箱即用但定制性相对较低选择时需要考虑任务复杂度决定需要的循环层数控制需求决定选择哪一层的抽象。简单任务用LangChain即可需要完全控制用LangGraph复杂长时任务用Deep Agents。在实际开发中可以从LangChain开始快速原型复杂部分用LangGraph定制生产级复杂应用考虑Deep Agents。这种分层架构让开发者可以根据具体需求选择合适的循环抽象层级既避免过度工程也确保系统可扩展性。参考来源LangChain vs LangGraph vs Deep Agents技术对比详解[DeepAgents:LangChain平台的Harness-01]LangChain、LangGraph和DeepAgents三者之间的关系【必学收藏】小白也能懂LangChain、LangGraph、DeepAgents三层架构解析DeepAgents vs LangChain, LangGraph 如何技术选型DeepAgents vs LangChain, LangGraph 如何技术选型【建议收藏】LangChain、LangGraph、DeepAgents三大框架区别解析大模型开发入门必看
