学了一圈 LLM 开发框架，发现三个都听过，但不知道该用哪个？
选错了框架，重构起来可是要命的。

---

一、三个框架的关系

┌─────────────────────────────────────────────────────┐│                    LangChain                        ││            （基础组件库，工具箱）                    ││    Model I/O · Retrieval · Chain · Agent · Memory  │└─────────────────────┬───────────────────────────────┘                      │          ┌───────────┴───────────┐          ▼                       ▼┌─────────────────┐     ┌─────────────────┐│   LangGraph     │     │  Deep Agents    ││  （编排层）      │     │  （封装层）       ││  状态机 + 边     │     │  开箱即用 Agent  │└─────────────────┘     └─────────────────┘

一句话理解：

• • LangChain 是工具箱，什么组件都有
• • LangGraph 是编排层，用状态机把组件串起来
• • Deep Agents 是成品，基于 LangChain Agent 封装的高级实现

官方定位：

• • 想快速做 Agent → 从 Deep Agents 开始
• • 想高度自定义 → 用 LangChain
• • 需要复杂流程编排 → 用 LangGraph

---

二、核心对比

维度	LangChain	LangGraph	Deep Agents
定位	组件库	编排框架	开箱即用 Agent
复杂度	中等	较高	低
流程控制	线性 Chain	状态机 + 条件边	封装好
循环/分支	需自己实现	原生支持	封装好
断点恢复	无	Checkpoint	有
长对话压缩	无	无	有
虚拟文件系统	无	无	有
子 Agent	基础	可嵌套	原生支持
上手速度	快	较慢	快

---

三、各自擅长什么

Deep Agents：入门首选，开箱即用

✅ 优点：- 长对话自动压缩，不丢上下文- 虚拟文件系统隔离，安全可控- 子 Agent 隔离上下文- CLI 友好，部署简单❌ 缺点：- 定制化程度受限- 新框架，部分功能还在完善适用：快速构建功能完备的 Agent，追求开发效率

LangChain：组件丰富，定制灵活

✅ 优点：- 组件最全：Model I/O、Retrieval、Memory、Tools 全有- 文档最完善，社区活跃- 想怎么组装都行❌ 缺点：- 复杂流程要自己搭- 循环、分支需要手动处理- 没有断点恢复适用：需要高度自定义、常规 Agent、简单 RAG

LangGraph：流程可控，状态清晰

✅ 优点：- 状态机模型，流程可视化- 支持循环、分支、中断、恢复- Checkpoint 实现时间旅行- 适合复杂多步推理❌ 缺点：- 学习曲线较陡- 需要理解状态机概念- 代码量比 Deep Agents 多适用：复杂工作流、确定性+智能体混合流程、多 Agent 协作

---

四、实战场景选型

场景 1：快速做一个功能完整的 Agent

方案	推荐度	理由
Deep Agents	⭐⭐⭐⭐⭐	官方推荐，开箱即用
LangChain	⭐⭐⭐	能做，但要从零搭
LangGraph	⭐⭐	较复杂，不推荐入门

推荐：Deep Agents（快速实现）

---

场景 2：需要高度自定义的 Agent

选 LangChain！- 现有组件满足需求- 想怎么组装都行- 不需要复杂流程控制

---

场景 3：复杂多步推理（比如数学解题）

必须用 LangGraph！- 需要循环：解题 -> 检查 -> 重试- 需要分支：答对走 A，答错走 B- 需要断点：用户中断后能恢复- 确定性+智能体混合流程

---

场景 4：快速做个能跑命令的助手

选 Deep Agents！- 虚拟文件系统保护真实系统- Shell 执行在沙箱里- 子 Agent 隔离上下文

---

五、一句话选型

需求	选择
快速构建功能完整的 Agent	Deep Agents
需要高度自定义、组件组合	LangChain
复杂流程、循环分支、断点恢复	LangGraph

---

六、学习路线建议

官方推荐入门路线：1. Deep Agents（上手最快）→ 10 天   └─ 开箱即用，快速获得成就感2. LangChain（组件认知）→ 7 天   └─ 理解底层组件原理3. LangGraph（流程编排）→ 14 天   └─ 掌握复杂流程控制总计：约 31 天，系统掌握 LLM 应用开发

注意：三个框架不是替代关系，而是层层递进。Deep Agents 是 LangChain Agent 的高级封装，LangGraph 在 LangChain 生态之上提供更底层的编排能力。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

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】