本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。
LangChain-AI是一个由多个开源框架组成的生态系统，但这些框架之间的关系对于许多人来说仍然不够明确，导致在使用时难以判断该选择哪个框架。为了帮助大家更清晰地理解这些框架的定位，今天我们通过一张图来展示它们之间的关系，并详细说明每个框架适用的场景。
LangChain-AI的核心开源库包括三个，此外还有一个商业化平台。开源库是免费的，任何应用都可以集成这三个库来开发智能体和工作流，并自行实现部署和监控等功能。
当然，生态系统还提供了一个商业化平台来支持智能体的构建、部署和监控，这些功能需要付费使用。实际上，这个商业化平台是云服务的一部分。
在开源生态中，三个核心库之间的关系是逐层抽象的。最高层是LangChain库，其次是Deep Agents库，最低层是LangGraph库。
具体关系如下图：
核心开源库：
LangChain
LangChain 与 LangChain.js 提供可复用的组件与集成方案，助力大语言模型应用开发。
LangChain代理构建于LangGraph之上，提供预构建的智能体架构和模型集成，并将 LLM 无缝集成到智能体和应用程序中，旨在提供持久执行、流式处理、人机交互、持久化等功能，同时可以和Deep Agents库无缝集成实现自规划的深度代理。
以下场景最适合使用LangChain：
- 简单的对话型生成式智能体，利用LLM进行对话；
- 快速构建结合工具、LLM与RAG（检索增强生成）的对话智能体；
- 需要发布MCP服务的智能体；
- 多Agent协同工作的智能体；
在这些场景下，智能体可以直接利用LangChain提供的现成包，尽管使用这些包不是强制要求。如果您认同LangChain的代码风格，那么它是一个理想选择。如果不认同，可以选择其他开源框架来实现类似功能。
Deep Agents
Deep Agents和Deep Agents.js具备规划能力，能够调用子智能体并通过文件系统处理复杂任务的智能体系统。
Deep Agents是一个独立的库，用于构建可以处理复杂多步骤任务的智能体。它基于LangGraph构建，并能够实现像Claude Code、Deep Research和Manus等应用程序的自规划、上下文管理及生成子智能体的能力。
当您需要具备以下功能的代理时，请使用深度代理：
- 处理需要计划和分解的复杂、多步骤任务
- 通过文件系统工具管理大量上下文信息
- 将工作委派**给专门的子代理以实现上下文隔离
- 在对话和主题之间保持记忆
LangGraph
LangGraph 与 LangGraph.js 支持以图结构构建智能体工作流。
LangGraph为任何需要长时间运行且具有状态管理的工作流或代理提供底层支持，这些代理不一定由LangChain创建，也可以是您自己在应用中实现的代理程序。
以下场景最适合使用LangGraph：
如果你的需求结合了确定性的工作流、代理工作流、高度定制化和严格的延迟控制，可以选择LangGraph作为生态中最底层的代理编排与运行时框架。
LangGraph专注于为代理编排提供关键的底层功能，如持久执行、流式传输和人机交互等，支持Deep Agents深度代理的图执行和状态管理。
通常，LangChain和LangGraph的结合是构建定制化智能体的优选方案。
写在最后
LangChain-AI生态开源了三个库，这一想法非常有前景，但也确实给使用者带来了不少困惑。如果不能明确区分这些库的核心功能和优势，用户在选择时可能会感到迷茫，从而增加学习的难度。目前，很多人因此放弃了深入学习。然而，这种架构本身是一个典型的松耦合结构，具备很高的灵活性，特别适合那些有定制化开发需求的场景。
阅读完这篇文章后，希望你能更清晰地理解LangChain-AI生态，重新投入到该生态的实践中，打造更强大、更健壮、更灵活的智能体，以满足各种复杂需求的实现。
学习资源推荐
如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。
本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。