LangGraph and Deepagents
| 维度 | LangGraph | Deep Agents |
|---|---|---|
| 定位 | 低层 Agent Orchestration Framework + Runtime | 高层 Agent Harness |
| 抽象层级 | 低 | 高 |
| 核心思想 | State + Node + Edge | Tool Loop + Middleware + Filesystem + Subagent |
| 控制流 | 你显式定义 | 大量默认行为已经封装 |
| Deterministic Workflow | 非常强 | 可以,但不是主要卖点 |
| ReAct Loop | 自己组合 | 已经给你搭好典型 agent loop |
| Planning | 自己实现 Node/State | 有现成 planning/todo 能力 |
| State | 一等公民 | 底层使用 LangGraph State |
| Persistence | 核心能力 | 继承 LangGraph |
| Checkpoint | 核心能力 | 继承 LangGraph |
| Human-in-the-loop | interrupt() |
已封装进 Harness 能力 |
| Long-term Memory | Store | 有现成 Memory 接入 |
| Context Compact | 自己设计 | Auto summarization / filesystem offload |
| Filesystem | 你自己提供 Tool | 一等能力 |
| Sandbox / Shell | 你自己集成 | 已有 Backend / execute |
| Subagent | Subgraph / tool / graph | 内置 task delegation |
| Context Isolation | 自己控制 subgraph/state | Subagent 主打能力 |
| Skills | 自己设计 | 原生支持 |
| Middleware | 可自己构建 | 大量内置 Middleware |
| Permission | 自己设计 | Filesystem permission 已有 |
| Multi-agent | Graph/Subgraph 自由组合 | Supervisor + Subagent 更开箱 |
| Time Travel | ✅ | 继承 |
| Fault Recovery | ✅ | 继承 |
| Streaming | ✅ | 继承 |
| 学习成本 | 较高 | 低很多 |
| 自由度 | 最高 | 中高 |
| 适合场景 | 精确业务 Workflow / State Machine | Coding/Research/General-purpose Agent |
AI Agent 补充
目前的agent架构
Harness
当 AI 模型从“问答工具”进化为“自主执行任务的 Agent”时,工程的重心不再是“如何让它生成代码”,而是“如何设计一套系统环境、工具链和工作流,让它能可靠地完成并验证任务”。
npm ts
记录一次mcp server的PR
openclaw
OpenClaw 完整调用原理
推理精度对齐
参考
DiT 推理优化
DiT
万卡集群
围绕能耗极限、网络瓶颈、计算效率、系统可靠性展开