本文深入剖析 Harness AI 平台级架构的架构思维与核心源码，详细解析 Harness 架构与 LangChain、LangGraph 三者的联动底层逻辑。通过系统化的学习，帮助开发者掌握企业级 Super Agent 的开发精髓，提升技术实力，在面试中大放异彩。文章还介绍了尼恩编著的《Harness 架构与源码学习圣经》，为想要深入学习Harness的开发者提供参考。

FSAC未来超级架构师

架构师总动员
实现架构转型，再无中年危机

一粟说在前面

在45岁老架构师一粟的读者交流群（50+人）里，最近不少小伙伴拿到了阿里、滴滴、极兔、有赞、希音、百度、字节、网易、美团这些一线大厂的面试入场券，恭喜各位！

前两天就有个小伙伴面腾讯， 问到 “ 听说过Harness Agent 吗？你们怎么实现 Harness Agent 的？ ”的场景题 ，小伙伴没有一点概念，导致面试挂了。

小伙伴 没有看过系统化的 答案，回答也不全面 ，so， 面试官不满意 ， 面试挂了。

通过这个 文章， 这里 一粟给大家一篇文章，《Harness 架构与源码 学习圣经》 深入剖析 Harness AI 平台级 架构的 架构思维与 核心源码，使得大家可以充分展示一下大家雄厚的 “技术肌肉”，让面试官爱到 “不能自已、口水直流”。

尼恩编著 《Harness 架构与源码 学习圣经》

第一章： 什么是 Harness架构？2026年AI核心范式解析 ： Harness架构与Agent工程化

第二章： Harness架构 与 LangChain、LangGraph 三者联动 的底层逻辑

具体文章：本文

第三章： 深度解析字节跳动DeerFlow 2.0：基于LangGraph的生产级Super Agent驾驭层实现

具体文章： 尼恩还在写， 本周发布

第四章：Harness架构 ： Lead Agent 与 Sub-Agent 配合机制与使用决策指南

具体文章： 尼恩还在写， 本周发布

第五章： 基于 PPAF 思维，完成 与 Harness 工程化的 Lead-Agent 和 Sub-Agent 深度拆解.

具体文章： 尼恩还在写， 本周发布

第六章：Harness架构 核心一：断点续跑机制 的 架构设计 与底层源码分析 .

具体文章： 尼恩还在写， 本周发布

第七章：Harness架构 核心二： XXX

具体文章： 尼恩还在写，后续发布

估计有 10章以上，具体请关注技术自由圈。

Harness架构 与 LangChain、LangGraph 三者联动 的底层逻辑

Harness架构 属于 企业级Super Agent。

典型的 开源框架，就是 DeerFlow 2.0。

结合 DeerFlow 2.0 ，开看看 Harness架构 、LangChain、LangGraph三者关系：三者联动 的底层逻辑。

在企业级Super Agent开发领域，DeerFlow 2.0、LangChain、LangGraph三者的联动的是当前大厂标准架构的核心体现。

作为字节跳动2026年2月开源、内部打磨3年的Super Agent框架，DeerFlow 2.0底层支撑了内部数千个Agent应用，单月斩获28K Star，其核心优势在于巧妙整合LangChain与LangGraph的能力，既规避了单一框架的局限性，又通过源码级定制，实现了企业级场景所需的稳定性、可扩展性与高性能。

本文将从核心定位、依赖关系、联动机制、源码佐证、实战场景五个维度，系统化拆解三者的关系，完整覆盖所有关键细节，同时补充三者联动的底层逻辑与落地价值，让开发者清晰理解“为什么三者必须配合”“如何配合”以及“DeerFlow 2.0在其中扮演的核心角色”。

一、核心定位：三者各司其职，构成企业级Agent完整架构

---

DeerFlow 2.0、LangChain、LangGraph三者并非竞争关系，而是“底层引擎-基础组件-业务封装”的三层联动关系，各自承担不同角色，共同支撑企业级Agent的构建与落地。

尼恩先通过一句话明确三者核心定位，再逐一拆解细节：

• LangChain：Agent的 “组件集合/组件库/工具层”，负责提供标准化的基础组件与接口，是构建Agent的“基础能力层”；
• LangGraph：Agent的 “图编排引擎/ 流水线总装+ 运行时调度”，负责提供工作流调度、状态管理、持久化等工程化能力，是Agent能够稳定运行的“底层引擎层”；
• DeerFlow 2.0：基于前两者的“企业级封装与增强框架”， 整合LangChain的组件与LangGraph的引擎，解决原生框架在企业级场景中的痛点，提供 声明式装配、安全隔离、高性能调度等增强能力，是“业务落地层”。

三者 关系 可概括为：

DeerFlow 2.0 接收开发者的业务配置 → 调用LangChain的组件 完成基础操作 → 调用LangGraph的引擎完成运行时调度 → 输出可直接部署的企业级Agent。

二、依赖关系深度解析：谁依赖谁？为什么？

---

理解三者关系的核心前提，是明确其官方依赖逻辑（基于LangChain v1.x、LangGraph ≥1.0、DeerFlow 2.0最新版本）。

很多开发者会混淆“LangChain与LangGraph的依赖关系”，甚至误以为两者是互相依赖，实则不然——核心结论先明确：

• LangChain（主包）依赖LangGraph；
• LangGraph不依赖LangChain，仅依赖langchain-core；
• DeerFlow 2.0同时依赖LangChain、LangGraph，是两者的上层封装与增强。

尼恩提示：原文1w字以上， 超过平台限制， 此处省略 1000字，具体请参考 免费pdf。

完整版本，请参考 尼恩 免费百度网盘 免费pdf ，点赞收藏本文后，找尼恩微信获取

2. DeerFlow 2.0 与两者：双向依赖，深度整合

DeerFlow 2.0作为企业级框架，其核心能力完全建立在LangChain与LangGraph之上，同时对两者进行了源码级的定制与增强：

• 依赖LangChain：获取模型接口、工具标准、中间件基类（如AgentMiddleware）、create_agent接口等基础组件，作为Agent装配的“零件来源”；
• 依赖LangGraph：获取工作流调度、状态管理、断点续跑（checkpointer）、CompiledStateGraph编译等工程化能力，作为Agent运行的“底层引擎”；
• 增强两者：解决LangChain+LangGraph原生组合在企业级场景中的痛点（如配置繁琐、无安全隔离、调度性能不足等），提供纯函数式声明式装配、沙箱隔离、子智能体调度、链路追踪等增强功能。

三、逐模块拆解：三者如何联动？（结合DeerFlow 2.0源码）

---

结合DeerFlow 2.0的核心源码（如create_deerflow_agent、_assemble_from_features、RuntimeFeatures等），尼恩从“开发者配置→组件装配→引擎编译→运行落地”四个步骤，拆解三者的联动细节，这也是理解三者关系的关键——所有联动逻辑，都体现在DeerFlow 2.0的源码实现中。

尼恩提示：原文1w字以上， 超过平台限制， 此处省略 1000字，具体请参考 免费pdf。

完整版本，请参考 尼恩 免费百度网盘 免费pdf ，点赞收藏本文后，找尼恩微信获取

四、关键细节补充：create_agent的底层实现（LangChain与LangGraph的核心联动）

---

很多开发者疑惑：DeerFlow 2.0调用的langchain.agents.create_agent，到底和LangGraph的StateGraph是什么关系？

这也是理解三者联动的核心细节——create_agent本质是LangChain对LangGraph的“高层封装”，是LangGraph标准ReAct工作流的“一键生成器”。

尼恩提示：原文1w字以上， 超过平台限制， 此处省略 1000字，具体请参考 免费pdf。

完整版本，请参考 尼恩 免费百度网盘 免费pdf ，点赞收藏本文后，找尼恩微信获取

五、为什么三者必须配合？缺一不可

---

理解了三者的联动逻辑后，大家就能明白：为什么企业级Agent开发不能只用其中一个，必须三者配合——单一框架的局限性，只有通过三者联动才能解决。

1. 只用LangChain：只能做“玩具级”Agent

LangChain的核心优势是“组件标准化”，但它本身不具备工程化运行能力，只用LangChain会面临以下问题：

• 无状态管理：无法实现多轮对话记忆，每次调用都是“全新会话”；
• 无断点续跑：Agent执行中断后，无法恢复之前的执行状态；
• 无复杂工作流调度：只能实现简单的线性执行，无法实现多分支、多循环、多智能体调度；
• 无法落地工业环境：缺乏稳定性、可监控性，只能用于demo开发，无法支撑企业级高并发场景。

2. 只用LangGraph：需要“从头造轮子”

LangGraph的核心优势是“工程化运行”，但它不提供基础组件，只用LangGraph会面临以下问题：

• 无标准模型接口：需要手动定义模型调用逻辑，无法快速适配不同厂商的大模型；
• 无标准工具体系：需要手动定义工具接口，无法复用开源工具生态；
• 无中间件体系：需要手动实现权限校验、日志追踪等功能，开发成本极高；
• 开发效率极低：每次构建Agent，都需要手动编写图结构、节点逻辑、边路由，无法快速迭代。

3. 只用DeerFlow 2.0：无底层支撑，无法运行

DeerFlow 2.0是“上层封装框架”，其所有能力都依赖LangChain的组件和LangGraph的引擎：

• 没有LangChain：DeerFlow 2.0的中间件、工具、模型接口都无法落地；
• 没有LangGraph：DeerFlow 2.0的工作流调度、状态持久化、断点续跑都无法实现；
• DeerFlow 2.0的核心价值，是“整合与增强”，而非“替代”——它解决的是LangChain+LangGraph原生组合在企业级场景中的痛点，让两者的配合更高效、更贴合业务需求。

4. 三者配合：企业级Agent的标准解法

当前所有大厂的正式LLM Agent项目，都是“LangChain + LangGraph”的组合，而DeerFlow 2.0则是这种组合的“企业级增强版”，三者配合的核心价值：

• LangChain：提供“标准化零件”，确保组件可复用、可扩展；
• LangGraph：提供“底层引擎”，确保Agent可稳定、可控、可持久化运行；
• DeerFlow 2.0：提供“业务封装”，确保开发者可快速配置、快速落地，同时解决企业级场景的安全、性能、调度需求。

六、实战场景佐证：三者联动的真实价值

---

结合DeerFlow 2.0的企业级落地场景，尼恩用一个具体案例，看看三者如何联动解决实际问题——以“企业级多模态智能客服Agent”为例：

(1) 需求：支持多模态输入（文字+图片）、长期记忆、沙箱安全隔离、子智能体并行处理、断点续跑；

(2) DeerFlow 2.0：开发者通过RuntimeFeatures声明需求（vision=True、memory=True、sandbox=True、sub_agent=True），无需手动编写任何中间件或图结构；

(3) LangChain：提供视觉处理中间件（VisionProcessMiddleware）、长期记忆中间件（LongMemoryMiddleware）、多模态模型接口（BaseChatModel）、客服工具集（符合BaseTool标准）；

(4) LangGraph：构建工作流（接收输入→视觉解析→模型决策→工具调用→子智能体并行处理→记忆持久化），通过checkpointer实现断点续跑，通过图调度实现子智能体并行执行；

(5) 联动效果：开发者仅需3行配置代码，即可完成企业级客服Agent的构建，运行时由LangGraph负责调度，LangChain负责组件执行，DeerFlow 2.0负责安全隔离与性能优化，支撑单集群10万+并发调度。

七、核心总结：三者关系的本质与价值

---

1. 关系本质（一句话概括）

LangChain是“零件工厂”，提供Agent的基础组件；LangGraph是“底层引擎”，提供Agent的运行时能力；DeerFlow 2.0是“企业级装配与增强平台”，整合前两者的能力，解决企业级落地痛点，让Agent的构建更高效、更稳定、更贴合业务需求。

三者的联动，是“基础组件→底层引擎→业务封装”的完整闭环，也是当前企业级Agent开发的标准架构。

2. 核心价值拆解

• 对开发者：降低开发门槛，无需关注底层实现，只需通过DeerFlow 2.0的声明式配置，即可快速构建企业级Agent；
• 对企业：确保Agent的稳定性、可扩展性、安全性，支撑高并发、多场景的落地需求，同时复用LangChain与LangGraph的开源生态，降低研发成本；
• 对技术生态：三者的联动，完美契合“可组合性”“工程化”的核心需求，为企业级Agent开发提供了可复用、可扩展的标准范式。

3. 最简记忆口诀（便于快速掌握）

• LangChain：造零件（模型、工具、中间件）；
• LangGraph：造机器（工作流、状态、持久化）；
• DeerFlow 2.0：做装配（声明式配置、增强优化、落地交付）；
• 三者合一：可商用、可扩展、可落地的企业级智能体。

综上，DeerFlow 2.0、LangChain、LangGraph三者并非孤立存在，而是深度联动、各司其职的整体。

LangChain与LangGraph构成了Agent开发的“基础骨架”，而DeerFlow 2.0则为这个骨架注入了“企业级血液”，让其能够真正落地到生产环境，支撑多样化的业务需求——这也是DeerFlow 2.0能够在开源后快速获得认可的核心原因。

小白/程序员如何系统学习大模型LLM？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】