3、LangChain家族四大支柱

截至2025年11月，LangChain 已从一个独立的开发框架，成长为一个覆盖智能体系统全生命周期的技术生态。该生态由四大核心支柱构成： LangChain 、LangGraph 、Deep Agent 与LangSmith 。

它们分别对应基础能力层、运行时编排层、智能体抽象层、监控与评估层，共同构建了一个从技术验证到生产部署、从单体智能到复杂协作的项目闭环。
官方文档的解释：
https://docs.LangChain.com/oss/python/concepts/products

3.1 LangChain：智能体开发的基石

LangChain 是整个生态的核心与起点，为开发者提供了模型调用、工具与中间件集成、智能体构建等一整套基础能力。
其核心价值如下：
统一的模型抽象层：屏蔽了不同模型服务提供商（如OpenAI、Anthropic、Ollama 等）的接口差异，提供一致的调用方式。
高度模块化的设计：使用 Message、Tool、Agent、Middleware 等组件实现灵活的组合与扩展。
丰富的集成生态：预置了丰富的数据源、API、中间件等，构成了强大的AI能力枢纽。在整体架构中，LangChain 如同智能体的操作系统内核，是所有上层能力构建的基础。
结论：如果你需要构建简单的智能体应用，无需复杂的编排需求，那就选择LangChain。

3.2 LangGraph：复杂工作流的编排引擎

当智能体的任务从单一指令执行扩展为多步骤、有状态的复杂工作流时，LangGraph应运而生。其核心思想是将智能体内部抽象为一张有向图。
节点（Node） ：代表独立的功能单元或决策点。
边（Edge） ：定义了节点之间的流转条件与路径。
状态（State） ：作为一个共享上下文，在节点间传递并持久化存储任务信息。
通过这种图式结构，LangGraph 让智能体的工作流节点交互变得显式、可控、可观测。官方也强调“快速起步用 LangChain，复杂控制用 LangGraph，二者并行协同”。
通俗理解：

3.3 Deep Agent：智能体的执行框架

Deep Agent 是新推出的全新组件，被定位为 Agent Harness（智能体执行框架）。它构建于LangChain 与LangGraph 之上，增加了规划能力、文件系统、子 Agent 等高级功能。旨在让开发者无须从零构建复杂的控制逻辑，即可创建具备深度规划、长期记忆与多专家协作能力的智能体。

Deep Agent 的核心能力如下：

显式规划：自主生成、执行并动态调整多步任务计划。

虚拟文件系统：为智能体提供结构化的中间结果与知识存储。

子智能体：支持任务在多个智能体之间的分解与协作。

长期记忆：通过与 LangGraph 状态存储的结合，实现跨对话的经验积累。

可扩展中间件：允许嵌入安全审计、性能监控或自定义业务逻辑。

3.4 三者的关系

官方文档（三者对比）：https://docs.langchain.com/oss/python/langchain/overview

基于LLM的应用开发体系图：

3.5 LangSmith：可视化监控与测试平台

当智能体系统逐渐复杂时，单靠日志与打印输出（print）调试已无法满足调试与质量管理的需求。LangSmith 是 LangChain 官方推出的可视化监控与测试平台，用于跟踪、记录和分析智能体在运行过程中的完整调用链路，让智能体的内部运行过程变得透明和可评估。

LangSmith 的核心目标如下：
全链路追踪：可视化追踪模型调用、提示词输入、结果输出、工具使用等行为。

调试与优化：发现运行中智能体的异常行为与性能瓶颈。
评测与质量控制：支持人工与自动化评测，量化智能体表现。
团队协作：支持多人共享测试集与调用记录。
LangSmith官网：https://www.langchain.com/langsmith
LangSmith 的引入使得智能体的开发、调试与运维形成了完整的质量闭环。