概览
https://docs.langchain.com/oss/python/langchain/overview
Agent = Model + Harness
Agent = 大模型 (Model) + 调度管控层 (Harness)
-
Model： AI 模型的泛称，负责思考、推理、输出工具调用指令。
-
Harness（管控框架 / 运行载体） LangChain 的
create_agent就是这套轻量化、可高度配置的运行环境。 它包裹在模型推理循环外围，包含四大组成部分：
-
Prompt 提示词体系
-
Tools / 工具集（Function Calling、MCP 工具等）
-
各类中间件（记忆、限流、校验、上下文裁剪等）
-
管控 Agent 行为的规则逻辑
大模型只管思考，Harness 负责串联工具、记忆、提示词、流转逻辑，让模型真正具备落地执行能力。
LangChain vs. LangGraph vs. Deep Agents
Deep Agents
定位：开箱即用的成品智能体
特点：内置自动上下文压缩、虚拟文件系统、子 Agent 生成； 底层依然基于 LangChain Agent 封装
适用：快速做原型、少编码上线
LangChain（create_agent）
定位：高自由度定制脚手架
特点：只提供基础原子组件，完全交由开发者自由组装提示词、工具、记忆、中间件，可以贴合私有业务、私有数据深度改造。
适用：业务个性化强、需要深度定制 Agent 逻辑、二次开发程度高的项目。
LangGraph
定位：底层编排框架，解决复杂流程编排
特点：提供基础原子组件，开发者自由组装提示词、工具、记忆
偏向底层，支持混合两种流程：
-
确定性固定 Workflow（SOP 流程）
-
智能体自主流转（自由决策分支） 可以实现循环、分支判断、多轮反思、子节点拆分，实现 ReAct、多 Agent 协作、带循环反思的 Agentic RAG。
适用：复杂多步骤任务、需要高级控制逻辑
小结
-
Deep Agents 开箱即用适合快速开发；
-
LangChain 模块化自由度高方便业务定制；
-
LangGraph 是底层编排框架，用来实现带分支、循环的复杂智能体流程；
LangChain 和 LangGraph 最核心差别？
LangChain 的原生 Agent 大多是线性单次流转，很难实现复杂循环、分支判断；
LangGraph 基于图结构做状态流转，可以自定义节点、条件分支、循环逻辑，轻松实现反思、多次检索、多子 Agent 调度，是复杂 Agent 的底层实现方案。
LangSmith
https://docs.langchain.com/langsmith/observability
不属于开发框架，是全链路观测运维平台
作用：用于对以上任一框架构建的 Agent 做链路追踪、调试、效果评估； 配套 LangSmith Engine 能自动巡检日志、发现 Agent 运行 bug、自动给出修复建议。
Get started
Create an account
在 smith.langchain.com 注册。可使用 Google、GitHub 或邮箱登录。
Create an API key
Go to your Settings page → API Keys → Create API Key. 复制密钥并安全保存。
Install
https://docs.langchain.com/oss/python/langchain/install