本文详细介绍了 Agent 的概念及其与 ChatBot 的区别核心在于调用工具的能力。文章梳理了 LangChain、LangGraph 和 DeerFlow 三者的关系其中 LangChain 定义基础工具和 LLM 对话LangGraph 用图方式编排复杂工作流DeerFlow 则在 LangGraph 上构建完整的运行时。通过 10 行代码示例展示了如何用 LangChain 跑通第一个 Agent并深入 LangGraph 构建有状态 Agent 的方法。最后介绍了 DeerFlow 如何解决 Agent 运行时难题包括中间件、技能系统、沙箱和子 Agent 等功能帮助读者从入门到实战搭建企业级 Agent 平台。这篇文章帮你搞懂三件事Agent 到底是什么三个热门框架是什么关系怎么从零开始搭建一个 Agent 运行时一、先搞懂一个概念Agent 不是 ChatBot很多人把 Agent 和 ChatBot 搞混。区别其实很简单ChatBot 只会对话聊天而Agent 会做事。Agent 的核心能力是调用工具。它不是一个只会聊天的模型而是一个能理解需求、选择工具、执行操作、观察结果、循环推理的系统。这个理解→决策→执行→观察→循环的过程有一个学术名称ReActReasoning Acting。Agent 的四个核心组件组件作用类比LLM大脑理解语言、推理决策人的大脑Tool工具执行具体操作搜索、计算、读写文件等手和脚Memory记忆记住对话历史和跨会话信息人的记忆Harness身体运行 Agent 的环境管理状态、调度工具人的身体Harness 就是这篇文章的重点——它是让 Agent 真正跑起来的运行时。二、LangChain / LangGraph / DeerFlow什么关系这三个技术是一个自底向上的三层栈LangChain 是基础——它定义了什么是工具怎么和 LLM 对话这些底层能力。所有 LLM 应用几乎都绕不开它。LangGraph 建立在 LangChain 之上——LangChain 早期的 Agent 实现比较简陋一个简单的 while 循环LangGraph 用图的方式重新定义了 Agent 的工作流节点是处理步骤边是流转方向支持条件分支和循环。LangGraph 是 LangChain 团队自己出的是 Agent 编排的官方推荐方案。DeerFlow 建立在 LangGraph 之上——LangGraph 给了你造车的零件DeerFlow 直接给你一辆能开的车。它把 LangGraph 的 Agent 包装成完整的运行时加了前端界面、API 网关、沙箱执行、技能系统、记忆系统等工程化能力。字节跳动开源已经在生产环境中验证过。三、第一阶段用 LangChain 跑通第一个 Agent2-3 天3.1 第一个 Agent10 行代码from langchain_openai import ChatOpenAIfrom langchain_core.tools import toolfrom langchain.agents import create_react_agent# 1. 定义一个工具tooldef calculate(expression: str) - str: 计算数学表达式例如 2 3 或 100 * 0.85 try: result eval(expression) return f计算结果: {result} except Exception as e: return f计算错误: {e}# 2. 创建 Agentllm ChatOpenAI(modelgpt-4o-mini, temperature0)agent create_react_agent(llm, tools[calculate])# 3. 运行response agent.invoke({ messages: [{role: user, content: 帮我算一下 15% 的税后 8500 是多少}]})print(response[messages][-1].content)# 输出: 8500 × 0.85 7225税后是 7225 元2 create_react_agent 发生了什么当你运行这段代码时Agent 内部经历了一个循环理解LLM 分析用户意图 → “用户要算税后金额”决策LLM 选择工具 → 调用calculate(8500 * 0.85)执行工具执行 → 返回7225观察LLM 检查结果 → 信息足够生成最终回答这就是 ReAct 循环——所有 Agent 框架的核心逻辑都是这个。3 Agent多工具调用tooldef search_web(query: str) - str: 搜索网页信息 # 这里用真实的搜索 API from langchain_community.tools import DuckDuckGoSearchRun return DuckDuckGoSearchRun().run(query)tooldef read_file(file_path: str) - str: 读取文件内容 with open(file_path, r) as f: return f.read()tooldef write_file(file_path: str, content: str) - str: 写入文件 with open(file_path, w) as f: f.write(content) return f文件已保存: {file_path}# 给 Agent 多个工具agent create_react_agent(llm, tools[calculate, search_web, read_file, write_file])response agent.invoke({ messages: [{role: user, content: 搜索一下 Python 3.13 的新特性然后保存到文件里}]}至此你已经掌握了 Agent 的基本写法。但 create_react_agent 是一个黑盒——你无法控制循环逻辑、无法加条件分支、无法管理复杂状态。这就是 LangGraph 要解决的问题。四、第二阶段用 LangGraph 构建有状态的 Agent1-2 周4.1 为什么需要 LangGraphLangChain 的 create_react_agent 是一个简单循环LLM → 工具 → LLM → … → 结束。但真实的 Agent 场景远比这复杂需要条件分支根据不同结果走不同路径需要并行执行同时调用多个工具需要状态管理记住之前做了什么需要人机交互中间暂停等人确认后继续需要检查点出错后能恢复到之前的某个状态LangGraph 用图Graph来描述这些复杂的工作流。2 核心概念概念说明类比State状态在整个图中流转的数据流水线上的产品Node节点处理状态数据的函数流水线上的工位Edge边节点之间的连接可以带条件传送带的分叉口Checkpoint检查点保存中间状态支持回滚存档点3 代码示例一个有状态的研究 Agentfrom typing import TypedDict, Annotatedfrom langchain_openai import ChatOpenAIfrom langchain_core.messages import HumanMessage, AIMessagefrom langgraph.graph import StateGraph, START, ENDfrom langgraph.graph.message import add_messages# 1. 定义状态class ResearchState(TypedDict): messages: Annotated[list, add_messages] # 消息历史 research_results: str # 研究结果 report_ready: bool # 报告是否就绪# 2. 定义节点llm ChatOpenAI(modelgpt-4o-mini)def research_node(state: ResearchState): 研究节点分析问题 messages state[messages] response llm.invoke(messages) return { messages: [response], research_results: response.content }def write_report_node(state: ResearchState): 写报告节点基于研究结果写报告 prompt f基于以下研究结果写一份报告:/n/n{state[research_results]} response llm.invoke([HumanMessage(contentprompt)]) return { messages: [response], report_ready: True }# 3. 定义条件路由def should_continue(state: ResearchState): 判断是否需要写报告 if 写报告 in state[messages][-1].content if state[messages] else : return write_report return research# 4. 构建图graph StateGraph(ResearchState)graph.add_node(research, research_node)graph.add_node(write_report, write_report_node)graph.add_edge(START, research)graph.add_conditional_edges(research, should_continue)graph.add_edge(write_report, END)# 5. 编译并运行app graph.compile()result app.invoke({ messages: [HumanMessage(content帮我研究一下 2026 年 AI Agent 的发展趋势然后写一份报告)], research_results: , report_ready: False})print(result[messages][-1].content4 LangGraph 的威力上面的代码做了什么定义了一个有状态的工作流不只是简单循环用条件边控制流向研究结果够好才写报告每个节点只关心自己的输入输出互不耦合LangGraph 自动管理检查点——出错了可以回滚当你理解了这段代码你就理解了 DeerFlow 的核心——因为 DeerFlow 的 Lead Agent 就是一个用 LangGraph 构建的复杂图。 4.5 带工具的 LangGraph Agentfrom langgraph.prebuilt import create_react_agent# LangGraph 提供了开箱即用的 ReAct Agent# 这比 LangChain 的 create_react_agent 更强大# - 支持检查点可回滚# - 支持流式输出# - 支持中断和恢复# - 支持人机交互Human-in-the-loopagent create_react_agent( modelChatOpenAI(modelgpt-4o-mini), tools[calculate, search_web, read_file, write_file], # 可以加中间件 state_modifier你是一个助手请简洁回答。)# 带检查点的版本可恢复from langgraph.checkpoint.memory import MemorySaveragent_with_memory create_react_agent( modelChatOpenAI(modelgpt-4o-mini), tools[calculate, search_web], checkpointerMemorySaver())# 流式输出for chunk in agent.stream( {messages: [HumanMessage(content搜索 LangChain 的最新版本号)]}, stream_modevalues): if chunk[messages]: chunk[messages][-1].pretty_print()五、第三阶段用 DeerFlow 搭建 Harness2-3 周5.1 什么是 Harness一个完整的 Agent Harness 需要解决这些问题问题LangChain/LangGraphDeerFlowAgent 怎么运行你自己写 while 循环内置运行时引擎怎么和用户交互自己写 CLI 或 API自带 Next.js 前端 FastAPI怎么安全执行代码自己想办法内置 Docker 沙箱怎么管理长上下文手动截断自动摘要压缩中间件怎么记住跨会话信息自己实现内置记忆系统怎么复用业务能力手写工具技能系统Skill怎么委派子任务自己编排子 Agent 自动协调怎么部署上线自己搞 DockerDocker Compose 一键部署2 中间件Middleware中间件是包裹每次 LLM 调用的插件在调用前和调用后执行自定义逻辑用户消息 → [摘要压缩] → [记忆注入] → [计划更新] → LLM → [标题生成] → [记忆排队] → 响应内置中间件SummarizationMiddleware自动压缩旧消息防止上下文溢出MemoryMiddleware跨会话记忆注入TodoMiddleware计划模式跟踪任务进度TokenUsageMiddleware追踪 Token 用量和成本LoopDetectionMiddleware检测死循环3 技能Skill技能是面向任务的能力包按需加载——不污染基础 Agent 的上下文。# skills/custom/weekly-report/SKILL.md---name: weekly-reportdescription: 生成工作周报category: productivity---# 工作周报生成技能## 指令当用户请求生成周报时按以下步骤1. 询问本周完成的主要工作2. 询问下周计划3. 生成结构化周报4. 保存为 Markdown 文件4 沙箱SandboxAgent 执行代码和文件操作的隔离环境本地沙箱开发用直接在本地文件系统操作Docker 沙箱生产用完全隔离的容器环境5 子 AgentSubAgent处理委派子任务的专注执行者Lead Agent主控├─ 子 Agent 1并行搜索资料├─ 子 Agent 2并行分析数据└─ 子 Agent 3并行生成报告六、常见问题Q1我需要先学完 LangChain 再学 LangGraph 吗不需要。 LangChain 的概念很杂Chain、Agent、Memory、Retriever…建议只学最基础的LLM 调用 Tool 定义然后直接上 LangGraph。LangGraph 的 API 更清晰、更现代是官方推荐的方向。Q2DeerFlow 和 Dify / Coze 有什么区别对比DeerFlowDify / Coze定位Agent 运行时开发者向Agent 搭建平台产品向目标用户工程师产品经理 / 运营定制深度源码级定制配置级定制代码控制力完全可控有限适合场景需要深度定制的 Agent 平台快速搭建不需要写代码的 Agent简单说想拖拽就搭的用 Dify/Coze想写代码深度定制的用 DeerFlow。 Q3DeerFlow 和 LangChain 的 Open Agent 有什么区别LangChain 的 Open Agent 是 LangChain 团队自己的 Agent 运行时项目定位和 DeerFlow 类似。区别Open AgentLangChain 官方出品和 LangChain 生态深度绑定DeerFlow字节跳动出品在 LangGraph 之上构建有生产验证两者技术上很相似都基于 LangGraph选哪个更多是看社区活跃度和团队偏好。Agent 开发不像你想的那么神秘。本质上就是三件事让 LLM 能调用工具LangChain用图编排复杂工作流LangGraph把工作流包装成可运行的服务DeerFlow从第一个 10 行代码的 Agent 开始到搭建一个企业级 Agent 运行时路径是清晰的。关键是动手写代码——看再多文章不如自己跑一遍。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取
