| 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 |
- 有明确业务规则用 langGraph
- 其他可以用Deep Agents
LangGraph 的核心原理
State Node Edge
-
State
表示整个 Agent 当前状态:Agent 当前世界状态的 Snapshot。
1
2
3
4
5
6
7class State(TypedDict): messages: list intent: str current_step: str search_results: list retries: int final_answer: str每一个 Node:
1
2
3
4
5读 State ↓ 执行逻辑 ↓ 更新 State -
Node
Node 就是普通函数
1
2
3
4
5
6def retrieve(state): results = search(state["query"]) return { "search_results": results }Node 可以是:Python Code、LLM Call、Tool Call、Subagent、RAG、Human Approval
-
Edge
决定下一步去哪, 决定流程
LLM 场景里的可持久化、有状态 Workflow / State Machine Runtime。 而且最核心的工程能力是Persistence+Checkpoint,一旦某个分支失败了,可以从最近的checkpoint恢复,继续往下走。通过thread_id 保存
1 | |
LangGraph 的 interrupt() 会暂停 Graph,并通过 persistence 保存当前状态,之后可以 Resume。
Memory
1 | |
Short-term 是 Graph State + Checkpointer。
Long-term 则是:Store,可以跨 thread 保存用户或应用数据
Deep Agents
agent harness + 封装好一堆agents 常用的东西
Tool Calling Loop、Filesystem、Subagents、Memory、Human Approval、Permissions、Planning
1 | |
-
Filesystem
长 Agent 最大问题之一:
1
2
3
4
5
6
7
8
9Tool Result Tool Result Tool Result 网页 代码 文档 ... ↓ Context 爆炸Deep Agents 的思路不是:
1
所有东西都塞 messages而是:
1
2
3
4
5
6Context Window ├── 当前必要信息 │ └── 大量中间结果 ↓ Filesystem比如:
1
2
3
4/research/vllm.md /research/sglang.md /results/benchmark.csv /draft/report.mdFilesystem Backend 还可以换
-
Subagent
1
2# Deep Agents 给主 Agent: task(...)避免大量 Tool 输出污染主 Agent 上下文。
LangGraph Subgraph 是低层组合方式,自由度高。Subagent是Agent 可直接调用的 task tool
-
Context 管理
1
2
3
4
5
6
7
8
9自动处理 Context 越来越大 ↓ Summarization + Filesystem Offload + Subagent Isolation三个配合起来
1
2
3
4
5
6
7
8
9Main Context │ ├── 最近消息 ├── 当前 TODO ├── 当前任务状态 │ ├── Summary │ └── Subagent Final Result -
Middleware
Deep Agents 目前大量功能实际上通过 Middleware 做,Deep Agents 默认架构特别依赖 Todo、Filesystem、Subagent 这些 Middleware
所以架构上更像:
1
2
3
4
5
6
7
8
9
10
11
12
13User ↓ Middleware ↓ Model ↓ Middleware ↓ Tool ↓ Middleware ↓ Observation