LangChain的简介

LangChain是基于大型语言模型（LLM）应用程序的开源框架。它提供了一套工具和接口，简化了LLM应用的开发流程，使开发者能够更高效地构建复杂的、数据感知的AI应用，LangChain 的出现填补了 LLM 工程化的空白，让开发者能快速构建生产级应用（如客服机器人、数据分析工具），而无需从零实现底层交互逻辑。

1	理解：LangChain ≈ 大模型的“编排中间件”，让你可以像用 FastApi 写 Web 一样，快速写出一个智能体系统。

方文档：https://python.langchain.com/docs/how_to/installation/
中文文档：https://docs.langchain.org.cn/

LangChain的核心价值

Langchain解决了大模型应用开发中的三大痛点：

连接外部世界：让模型能够调用工具、访问数据和外部系统交互
结构化开发：提供标准话组织和工作流，加速开发过程
可扩展性：支持多种模型、工具和集成方式，灵活适应不同场景

LangChian 的发展历史

鉴于 AI 领域不断变化的步伐，LangChain 也随时间演变。以下是 LangChain 多年来如何随着使用 LLM 构建应用的意义而变化的简要时间线

时间	版本 / 事件	描述
2022-10-24	v0.0.1 发布	LangChain 首次以 Python 包发布。包含两个核心组件：① LLM 抽象；② 链（Chain），用于构建如 RAG 的预定义步骤。名称来源于“Language + Chain”。
2022-12	第一个通用智能体	基于 ReAct（推理 + 行动）论文的通用 Agent 加入 LangChain。通过 LLM 生成表示工具调用的 JSON，并由框架解析后执行。
2023-01	ChatCompletions 支持	OpenAI 发布 ChatCompletions API，模型从字符串接口转为消息列表接口。LangChain 同步更新支持消息格式。
2023-01	JS 版本发布	LangChain 发布 JavaScript 版本，以满足前端/全栈开发者的 LLM 应用需求。
2023-02	LangChain Inc. 成立	LangChain 公司成立，使命为“让智能体无处不在”。开始构建围绕 LangChain 的完整生态。
2023-03	Function Calling 支持	OpenAI 发布函数调用（Function Calling），提供结构化的工具调用方式。LangChain 更新为优先使用函数调用，而不再依赖 JSON 解析。
2023-06	LangSmith 发布	LangSmith（闭源）发布，用于智能体可观测性与评估。LangChain 也随之更新为可与 LangSmith 深度集成。
2024-01	v0.1.0 发布	LangChain 首个非 0.0.x 稳定版本。行业进入生产化阶段，框架更重视 API 稳定性。
2024-02	LangGraph 开源	引入用于智能体编排的底层状态机框架，补足 LangChain 仅支持高级接口的不足。新增支持：流式、持久执行、短期记忆、人机协作等。
2024-06	700+ 集成	LangChain 生态超过 700 个集成。核心集成迁移到独立包或 langchain-community，使核心库更轻量。
2024-10	LangGraph 成为主流编排方式	构建 AI 应用的首选方式从 LangChain Chains/Agents 迁移到 LangGraph。大多数旧接口被标记为弃用，并提供迁移指南。LangGraph 仍提供一个高级 Agent 抽象，与早期 ReAct Agent 相兼容。
2025-04	消息格式支持多模态	模型 API 全面多模态化：支持输入文件、图像、视频。LangChain 更新消息格式以标准化多模态输入。
2025-10-20	v1.0.0 发布	两大变化：① 所有 Chains 和 Agents 全部被统一为一个基于 LangGraph 的高级 Agent 抽象；旧版接口迁移到 `langchain-classic`；② 标准化消息内容格式，以兼容推理块、引用、服务器端工具调用等更复杂的输出格式。

从Langchain的发展来看，版本改动有很大的变化，新版本对于之前版本废弃了很多功能，使得Langchain的功能更集中于智能体的开发，因此由此看出学习框架还是以官方文档为主，也要随时准备新内容的替换

LangChain v1.2核心特性

1. 简单易用的 Agent 框架

LangChain v1.2 提供了预构建的智能体（Agent）架构，让你能快速搭建具备工具调用能力的 AI 助手：

支持多种工具自动选择和调用，AI 可以根据任务自动判断该用什么工具。
内置会话记忆和持久化能力，能记住之前的对话内容，实现多轮交互。
提供可定制的系统提示和行为引导，你可以灵活定义 AI 的角色和行为规则。

2. 丰富的模型集成

它能轻松对接市面上主流的大语言模型，无需关心底层实现细节：

OpenAI、Anthropic、Google 等主流模型即插即用，开箱即用。
采用统一的接口设计，切换不同模型时不需要修改代码结构，降低了迁移成本。
支持模型参数精细化配置，可以根据需求调整温度（temperature）、最大 tokens 等参数。

3. 强大的工具生态

丰富的工具集让 AI 可以执行各种实际任务，与外部世界交互：

内置网络搜索、计算器、文件操作等常用工具，满足基础需求。
提供自定义工具接口，可以轻松扩展新能力，接入你自己的业务系统。
支持工具参数自动推断和验证，减少手动配置的工作量。

4. 基于 LangGraph 的可靠执行

LangChain v1.2 的 Agent 构建在 LangGraph 之上，提供了更可靠的执行保障：

持久化执行状态，支持断点续传，即使任务中断也能从上次位置继续执行。
具备流式输出能力，可以像 ChatGPT 一样逐字返回结果，提升用户体验。
提供可控的延迟和执行流程，让你能更好地管理和监控 Agent 的运行。

LangChain环境

官方文档：https://docs.langchain.com/oss/python/langchain/install

基本安装：

1 2	pip install -U langchain pip install -U langchain-openai

注意：Python版本在3.10以上

快速开始-LangChain创建Agent

from langchain.agents import create_agent

from src.core.llms import model_client

agent = create_agent(
    model=model_client,
    system_prompt="你是一个专业的天气查询助手，可以查询任何城市的天气情况。",
)

res = agent.invoke({"messages": [{"role": "user", "content": "今天北京的天气怎么样"}]})
print(res)

使用invoke调用，查看下调用结果：

{'messages': [HumanMessage(content='今天北京的天气怎么样', additional_kwargs={}, response_metadata={}, id='13db96a7-e210-4512-8085-c642faf499a6'), AIMessage(content='今天北京的天气情况如下：  \n- **温度**：最高约 28°C，最低约 18°C，体感较为舒适。  \n- **天气**：白天晴朗，夜间多云，无降水。  \n- **风力**：微风，约 2-3 级，对出行影响较小。  \n- **空气质量**：良好（AQI 约 50-80），适合户外活动。  \n\n建议您根据温度变化适时增减衣物，享受秋日的好天气！ 🌤️', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 107, 'prompt_tokens': 22, 'total_tokens': 129, 'completion_tokens_details': None, 'prompt_tokens_details': {'audio_tokens': None, 'cached_tokens': 0}, 'prompt_cache_hit_tokens': 0, 'prompt_cache_miss_tokens': 22}, 'model_provider': 'openai', 'model_name': 'deepseek-chat', 'system_fingerprint': 'fp_eaab8d114b_prod0820_fp8_kvcache', 'id': '544f29e5-c12d-43b3-82f7-50e43fec1530', 'finish_reason': 'stop', 'logprobs': None}, id='lc_run--eb33f7b1-4d66-471a-b52a-13a064eda5cc-0', usage_metadata={'input_tokens': 22, 'output_tokens': 107, 'total_tokens': 129, 'input_token_details': {'cache_read': 0}, 'output_token_details': {}})]}

输出结果详解：

1. HumanMessage：用户的提问
这代表用户输入的原始内容。

content：用户的问题文本，这里是“今天北京的天气怎么样”。
id：系统为这条消息生成的唯一标识符。

2. AIMessage：智能体的完整回应
这部分是核心，包含了AI的回答以及这次调用背后的大量元数据。

content：AI生成的自然语言回答，即关于北京天气的具体描述。
id：此条AI消息的唯一标识符。
additional_kwargs：一个额外参数字典，用于存储模型特有的返回信息。这里的 {'refusal': None} 表示模型没有拒绝回答。
usage_metadata：令牌使用统计，这是API调用的计费依据。
- input_tokens: 22，提示词消耗的令牌数。
- output_tokens: 107，回答内容消耗的令牌数。
- total_tokens: 129，总计令牌数。
response_metadata：本次调用的响应元数据，对于调试和日志记录非常关键。
- finish_reason: stop，表示模型正常完成生成。其他可能值包括 length（达到长度限制）或 tool_calls（触发了工具调用）等。
- model_name: deepseek-chat，显示实际使用的模型。
- token_usage: 与 usage_metadata 类似，更详细的令牌使用情况。

接下来我们使用stream调用直接输出结果：

from langchain.agents import create_agent

from src.core.llms import model_client

agent = create_agent(
    model=model_client,
    system_prompt="你是一个专业的天气查询助手，可以查询任何城市的天气情况。",
)

res = agent.stream({"messages": [{"role": "user", "content": "今天北京的天气怎么样"}]})
print(res)

直接输出的内容

1	<generator object Pregel.stream at 0xbb9809b90>

使用stream方式直接输出的是一个生成器对象，本身是不包含完整的对象，需要通过循环输出其中的数据，输出的示例如下:

1 2	for chunk in res: print(chunk)

输出结果如下：

{'model': {'messages': [AIMessage(content='北京今天（2024年7月18日）的天气情况如下：  \n- **天气**：多云转晴  \n- **气温**：最高 33°C，最低 24°C  \n- **风向风力**：南风 2-3级  \n- **空气质量**：轻度污染（AQI 约 110）  \n\n建议白天注意防晒，早晚较舒适，适合户外活动。', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 86, 'prompt_tokens': 22, 'total_tokens': 108, 'completion_tokens_details': None, 'prompt_tokens_details': {'audio_tokens': None, 'cached_tokens': 0}, 'prompt_cache_hit_tokens': 0, 'prompt_cache_miss_tokens': 22}, 'model_provider': 'openai', 'model_name': 'deepseek-chat', 'system_fingerprint': 'fp_eaab8d114b_prod0820_fp8_kvcache', 'id': '84d237bb-7ebb-4f90-a604-e0cde829bcf2', 'finish_reason': 'stop', 'logprobs': None}, id='lc_run--71543f5c-b957-4b71-80ab-8853667ea061-0', usage_metadata={'input_tokens': 22, 'output_tokens': 86, 'total_tokens': 108, 'input_token_details': {'cache_read': 0}, 'output_token_details': {}})]}}

输出结果详解：

层级	键名	值	解释
最外层	`‘model’`	`{...}`	这是关键！它表明这个数据块来自图中名为 `‘model’` 的节点。在LangGraph中，每个节点（如LLM、工具、函数）执行后，都会以 `{节点名: 输出}` 的格式产生一个数据块。
第二层	`‘messages’`	`[AIMessage(...)]`	`model` 节点的输出内容，是一个列表，其中包含一个 `AIMessage` 对象。这通常就是语言模型对用户问题的直接回答。
第三层 (AIMessage)	`‘content’`	`‘北京今天（2024...’`	AI生成的实际文本内容，也就是最终呈现给用户的天气预报。
	`‘response_metadata’`	`{...}`	本次模型调用的详细元数据，是调试和分析的关键。
	`‘usage_metadata’`	`{...}`	本次调用的令牌（Token）使用统计，用于计算API成本。输入22个Token，输出了86个，总计108个Token。

流式传输的核心特点与操作

flowchart TD
    A[用户输入] --> B{图开始执行}
    B --> C[节点A执行
（例如：工具调用）]
    C --> D[产生第一个数据块
（chunk: ‘agent’）]
    D --> E[节点B执行
（例如：模型推理）]
    E --> F[产生第二个数据块
（chunk: ‘model’）]
    F --> G[节点C执行...]
    G --> H[图执行结束]

    D & F -.-> I[❄️ 数据块实时输出
（for chunk in res）]

以上示例是没有带工具的，下面智能体带有工具，查看下调用的情况

from langchain.agents import create_agent
from langchain_core.tools import tool

from src.core.llms import model_client


@tool
def get_weather(city: str) -> str:
    """获取城市天气信息"""
    # 这里可以接入真实的天气API
    weather_data = {
        "北京": "晴，温度 25°C，湿度 45%",
        "上海": "多云，温度 28°C，湿度 60%",
        "长沙": "晴转多云，温度 30°C，湿度 55%",
        "深圳": "阵雨，温度 32°C，湿度 75%"
    }
    return weather_data.get(city, f"{city}的天气信息暂不可用")


agent = create_agent(
    model=model_client,
    tools=[get_weather],
    system_prompt="""你是一个专业的天气查询助手。请遵循以下规则：
            1. 根据用户问题选择合适的工具查询天气和空气质量
            2. 回答要简洁明了，包含具体数据
            3. 如果用户没有指定城市，请主动询问
            4. 可以提供一些出行建议""",
)
res = agent.invoke({"messages": [{"role": "user", "content": "今天北京的天气怎么样"}]})
print(res)

输出结果如下：

1
2

{'messages': [HumanMessage(content='今天北京的天气怎么样', additional_kwargs={}, response_metadata={}, id='261af454-231e-4112-84ea-e24907aacd10'), AIMessage(content='我来帮您查询北京今天的天气情况。', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 52, 'prompt_tokens': 362, 'total_tokens': 414, 'completion_tokens_details': None, 'prompt_tokens_details': {'audio_tokens': None, 'cached_tokens': 0}, 'prompt_cache_hit_tokens': 0, 'prompt_cache_miss_tokens': 362}, 'model_provider': 'openai', 'model_name': 'deepseek-chat', 'system_fingerprint': 'fp_eaab8d114b_prod0820_fp8_kvcache', 'id': 'f1868170-e83a-4bfe-96a6-b0d26934a2d4', 'finish_reason': 'tool_calls', 'logprobs': None}, id='lc_run--801ef9cd-6378-4184-a106-868c07d0f7c1-0', tool_calls=[{'name': 'get_weather', 'args': {'city': '北京'}, 'id': 'call_00_QVYWKEhUjpmwBJk5p8W0UZ2a', 'type': 'tool_call'}], usage_metadata={'input_tokens': 362, 'output_tokens': 52, 'total_tokens': 414, 'input_token_details': {'cache_read': 0}, 'output_token_details': {}}), ToolMessage(content='晴，温度 25°C，湿度 45%', name='get_weather', id='d91e4515-cc08-45f2-b165-5759b887c378', tool_call_id='call_00_QVYWKEhUjpmwBJk5p8W0UZ2a'), AIMessage(content='根据查询结果，今天北京的天气情况如下：\n\n**天气状况**：晴\n**温度**：25°C\n**湿度**：45%\n\n今天北京天气晴朗，温度适中，湿度也比较舒适，是个不错的天气。建议您可以：\n- 外出时注意防晒，可以戴太阳镜或帽子\n- 这样的天气很适合户外活动，如散步、运动等\n- 早晚温差可能较大，建议携带薄外套\n\n空气质量信息暂时无法获取，如果您需要了解空气质量情况，建议查看专门的空气质量监测应用。', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 109, 'prompt_tokens': 443, 'total_tokens': 552, 'completion_tokens_details': None, 'prompt_tokens_details': {'audio_tokens': None, 'cached_tokens': 384}, 'prompt_cache_hit_tokens': 384, 'prompt_cache_miss_tokens': 59}, 'model_provider': 'openai', 'model_name': 'deepseek-chat', 'system_fingerprint': 'fp_eaab8d114b_prod0820_fp8_kvcache', 'id': 'f94a1a62-2584-4cf8-aba2-b8f63b98c107', 'finish_reason': 'stop', 'logprobs': None}, id='lc_run--281eba53-839f-4718-8c67-b131e96a3d67-0', usage_metadata={'input_tokens': 443, 'output_tokens': 109, 'total_tokens': 552, 'input_token_details': {'cache_read': 384}, 'output_token_details': {}})]}

输出结果详解

消息类型	内容摘要	关键字段与作用	在流程中的角色
HumanMessage	用户提问：“今天北京的天气怎么样”	`content`: 用户问题原文	触发对话
AIMessage (1)	“我来帮您查询北京今天的天气情况。”	`finish_reason`: `tool_calls` `tool_calls`: 指定调用 `get_weather` 工具	决策与规划：模型决定调用工具
ToolMessage	“晴，温度 25°C，湿度 45%”	`content`: 工具执行结果 `tool_call_id`: 关联到对应的工具调用	执行与反馈：工具执行并返回结果
AIMessage (2)	根据结果生成的完整、友好的天气报告	`finish_reason`: `stop`	整合与回答：模型整合信息，生成最终答案

开始：HumanMessage 代表用户输入。
第一轮模型推理：模型（第一个 AIMessage）没有直接猜测天气，而是分析出需要调用工具，并在 tool_calls 字段中声明要调用 get_weather 工具，参数为 {"city": "北京"}。finish_reason 为 tool_calls 明确表示停止是因为要调用工具。
工具执行：系统执行名为 get_weather 的工具（可能是一个查询天气的API函数），并将结果（“晴，温度 25°C，湿度 45%”）包装成 ToolMessage 返回。tool_call_id 是关联工具调用和结果的关键，必须与 AIMessage 中的调用ID（call_00...）一致。
第二轮模型推理：模型（第二个 AIMessage）收到 ToolMessage 后，将工具返回的原始数据整合成一段自然、友好的中文描述，并补充了生活建议。此时 finish_reason 为 stop，表示正常结束。

这个输出完美演示了LangChain Agent的核心能力：理解问题、决定使用工具、执行工具、并基于结果生成回答。

Agent核心组件概览

flowchart TD
    %% 定义全局样式
    classDef coreComponent fill:#f0f8ff,stroke:#2196f3,stroke-width:2px,rounded:10px
    classDef contextStyle fill:#f5fafe,stroke:#03a9f4,stroke-width:2px,rounded:10px

    %% 上下文作为基础容器（居中核心）
    subgraph Context["上下文 (Context)"]
        direction TB
        C1["用户信息/偏好"]
        C2["会话状态/历史"]
        C3["环境变量/配置"]
        C4["临时数据存储"]
    end
    class Context contextStyle

    %% 四大核心组件环绕上下文
    subgraph LLM["语言模型 (LLM/Chat Model)"]
        direction TB
        L1["Claude/GPT/Gemini"]
        L2["模型参数配置"]
        L3["文本理解/生成"]
    end
    class LLM coreComponent

    subgraph Tools["工具 (Tools)"]
        direction TB
        T1["预构建工具
（搜索/计算）"]
        T2["自定义工具扩展"]
        T3["工具自动选择器"]
    end
    class Tools coreComponent

    subgraph Memory["记忆 (Memory)"]
        direction TB
        M1["短期会话记忆"]
        M2["长期持久化记忆"]
        M3["状态断点续传"]
    end
    class Memory coreComponent

    subgraph Middleware["中间件 (Middleware)"]
        direction TB
        MW1["执行流程拦截"]
        MW2["上下文管理控制"]
        MW3["日志/监控/限流"]
    end
    class Middleware coreComponent

    %% 组件关联关系（体现协作逻辑）
    Context --> LLM
    Context --> Tools
    Context --> Memory
    Context --> Middleware
    LLM <--> Tools
    LLM <--> Memory
    Middleware -.拦截/管控.-> LLM
    Middleware -.拦截/管控.-> Tools

1. 语言模型组件（LLM/Chat Model）

这是 Agent 的 “大脑”，负责核心的思考、推理和生成能力：

LLM（大型语言模型）：提供文本理解和生成能力。
Chat Model（聊天模型）：专门优化过对话交互的模型。
模型配置与参数：可调整温度（temperature）、最大 tokens 等，控制输出风格和随机性。
示例：Claude、GPT、Gemini 等主流大模型。

2. 工具组件（Tools）

这是 Agent 与外部世界交互的 “手脚”，让 AI 能执行实际任务：

预构建工具：开箱即用的工具，如搜索、计算器、API 调用等。
自定义工具：可以接入你自己的业务系统或第三方服务。
工具选择器：让 Agent 能根据任务自动判断该使用哪个工具。
示例：网络搜索、数学计算、调用天气 API 等。

3. 记忆组件（Memory）

这是 Agent 的 “记忆中枢”，负责存储和检索历史信息：

短期记忆：保存当前会话的上下文，用于多轮对话。
长期记忆：持久化存储重要信息，可跨会话使用。
状态持久化：支持断点续传，任务中断后可恢复执行。
示例：InMemorySaver（内存存储）、Redis（分布式存储）等。

4. 中间件组件（Middleware）

这是 LangChain 1.0 的核心功能，是一组可插拔的钩子函数，嵌入到 Agent 的执行流程中：

Agent 执行流程拦截：可以在 Agent 思考、调用工具等关键步骤前 / 后插入自定义逻辑。
上下文管理与控制：统一管理和修改 Agent 运行时的上下文信息。
执行步骤自定义处理：对每个执行步骤进行日志记录、监控或修改。
生产环境落地支持：提供日志、监控、限流等企业级能力。
示例：Agent Middleware、Model Request Middleware 等。

5. 上下文（Context）

这是 Agent 运行时的 “环境容器”，提供所需的环境信息和状态管理：

用户信息与偏好：存储用户的个人信息、偏好设置。
会话状态与历史：管理当前会话的状态和历史交互记录。
环境变量与配置：传递 API 密钥、服务地址等配置信息。
临时数据存储：用于存储执行过程中的临时数据。
示例：自定义 Context 类、会话 ID、请求上下文等。

LangChain v1.2与相关技术的关系

LangChain v1.2 与 LangGraph：核心依赖关系

定位：LangGraph 是 LangChain 的底层执行引擎，负责 Agent 的状态管理和流程控制。
核心能力：
1. 执行层分离：LangChain 负责定义 Agent “做什么”（任务逻辑），LangGraph 负责 “如何做”（执行流程），让状态管理和错误处理更可靠。
2. 图结构执行：把 Agent 执行流程抽象成有向图，节点是操作，边是状态转换，能支持复杂的控制流。
3. 持久化能力：支持 Agent 状态持久化，实现跨会话的记忆和状态恢复。
4. 并发执行：支持并行处理多个任务或工具调用，提升效率。

一句话总结：LangChain 定义 “做什么”，LangGraph 负责 “如何做”，两者协同提供强大灵活的 Agent 开发框架。

LangChain v1.2 与 DeepAgents：生态系统扩展

定位：DeepAgents 是基于 LangChain 构建的高级 Agent 框架，专注于复杂任务分解和多 Agent 协作。
核心能力：
1. 上层抽象：在 LangChain 基础上提供更高层级的抽象，简化复杂 Agent 系统的开发。
2. 多 Agent 协作：专注于多 Agent 系统的设计和协作模式，支持角色分工和任务分配。
3. 复杂任务分解：提供任务自动分解和规划能力，把大任务拆成可管理的子任务。
4. 专业领域优化：针对科学研究、数据分析等特定领域，提供预构建的 Agent 模板和工具集。

一句话总结：DeepAgents 是 LangChain 的专业化扩展，适合构建更复杂、协作型的 AI 系统，而 LangChain 为它提供基础架构支持。

flowchart TD
    subgraph "顶层：高级抽象层"
        direction TB
        DeepAgents["DeepAgents"]
        DA1["高级Agent框架，构建于LangChain之上"]
        DA2["提供多Agent协作与复杂任务分解能力"]
        DA3["专注于专业化领域的Agent系统开发"]
    end

    subgraph "中层：中间组件层"
        direction TB
        LangChain["LangChain"]
        LC1["核心Agent组件定义与工具集成框架"]
        LC2["提供中间件扩展机制和统一接口标准"]
        LC3["依赖LangGraph提供底层执行和状态管理"]
    end

    subgraph "底层：执行引擎层"
        direction TB
        LangGraph["LangGraph"]
        LG1["基于图结构的执行引擎，负责流程控制"]
        LG2["提供可靠的状态管理和错误处理机制"]
        LG3["支持并发执行和跨会话状态持久化"]
    end

    %% 层级关系箭头
    DeepAgents -->|"基于扩展"| LangChain
    LangChain -->|"依赖执行"| LangGraph

    %% 样式定义
    classDef top fill:#f9e79f,stroke:#f39c12,stroke-width:2px,rounded:10px
    classDef middle fill:#d6eaf8,stroke:#3498db,stroke-width:2px,rounded:10px
    classDef bottom fill:#d5f5e3,stroke:#27ae60,stroke-width:2px,rounded:10px

    class DeepAgents top
    class LangChain middle
    class LangGraph bottom

架构说明

底层：执行引擎层（LangGraph）：作为整个系统的 “动力核心”，基于图结构提供可靠的流程控制、状态管理和并发执行能力，是所有上层逻辑的运行基础。
中层：中间组件层（LangChain）：作为核心开发框架，负责定义 Agent 组件、集成工具集，并提供统一接口与扩展机制，同时依赖 LangGraph 保障执行可靠性。
顶层：高级抽象层（DeepAgents）：作为专业化扩展框架，在 LangChain 基础上提供多 Agent 协作、任务分解等高级能力，专注于复杂场景和专业领域的 Agent 系统开发。

LangSmith接入

LangSmith 提供开发、调试和部署 LLM 应用的工具。它帮助你在一个地方追踪请求、评估输出、测试提示并管理部署。 LangSmith 不受框架限制，所以你可以和 LangChain 的开源库 langchain 和 langgraph 一起使用，也可以不使用。先在本地进行原型开发，然后通过集成监控和评估进入生产，构建更可靠的人工智能系统。

官方文档地址：https://docs.langchain.com/langsmith/home

使用：

创建一个账户：注册地址（ smith.langchain.com 无需信用卡）。你可以用 Google、GitHub 或电子邮件登录。
创建一个API密钥：进入设置页面 → API 密钥 → 创建 API 密钥 。复制密钥并安全保存。
安装依赖
1
pip install langsmith

在项目的.env 中配置 langsmith 的 API_KEY

LANGSMITH_TRACING=true
LANGSMITH_ENDPOINT=https://api.smith.langchain.com
LANGSMITH_API_KEY="<your-langsmith-api-key>"
LANGSMITH_WORKSPACE_ID="<your-workspace-id>"

完成以上配置即可，再次执行智能体，则在LangSmith上看到执行监控到的信息

Jean's Blog

LangChain介绍