一、三个框架的关系

---

┌─────────────────────────────────────────────────────┐│                    LangChain                        ││            （基础组件库，工具箱）                    ││    Model I/O · Retrieval · Chain · Agent · Memory  │└─────────────────────┬───────────────────────────────┘                      │          ┌───────────┴───────────┐          ▼                       ▼┌─────────────────┐     ┌─────────────────┐│   LangGraph     │     │  Deep Agents    ││  （编排层）      │     │  （封装层）       ││  状态机 + 边     │     │  开箱即用 Agent  │└─────────────────┘     └─────────────────┘

一句话理解：

• • LangChain 是工具箱，什么组件都有
• • LangGraph 是编排层，用状态机把组件串起来
• • Deep Agents 是成品，基于 LangChain Agent 封装的高级实现

官方定位：

• • 想快速做 Agent → 从 Deep Agents 开始
• • 想高度自定义 → 用 LangChain
• • 需要复杂流程编排 → 用 LangGraph

---

二、核心对比

---

维度	LangChain	LangGraph	Deep Agents
定位	组件库	编排框架	开箱即用 Agent
复杂度	中等	较高	低
流程控制	线性 Chain	状态机 + 条件边	封装好
循环/分支	需自己实现	原生支持	封装好
断点恢复	无	Checkpoint	有
长对话压缩	无	无	有
虚拟文件系统	无	无	有
子 Agent	基础	可嵌套	原生支持
上手速度	快	较慢	快

---

三、各自擅长什么

---

Deep Agents：入门首选，开箱即用

✅ 优点：- 长对话自动压缩，不丢上下文- 虚拟文件系统隔离，安全可控- 子 Agent 隔离上下文- CLI 友好，部署简单❌ 缺点：- 定制化程度受限- 新框架，部分功能还在完善适用：快速构建功能完备的 Agent，追求开发效率

LangChain：组件丰富，定制灵活

✅ 优点：- 组件最全：Model I/O、Retrieval、Memory、Tools 全有- 文档最完善，社区活跃- 想怎么组装都行❌ 缺点：- 复杂流程要自己搭- 循环、分支需要手动处理- 没有断点恢复适用：需要高度自定义、常规 Agent、简单 RAG

LangGraph：流程可控，状态清晰

✅ 优点：- 状态机模型，流程可视化- 支持循环、分支、中断、恢复- Checkpoint 实现时间旅行- 适合复杂多步推理❌ 缺点：- 学习曲线较陡- 需要理解状态机概念- 代码量比 Deep Agents 多适用：复杂工作流、确定性+智能体混合流程、多 Agent 协作

---

四、实战场景选型

---

场景 1：快速做一个功能完整的 Agent

方案	推荐度	理由
Deep Agents	⭐⭐⭐⭐⭐	官方推荐，开箱即用
LangChain	⭐⭐⭐	能做，但要从零搭
LangGraph	⭐⭐	较复杂，不推荐入门

推荐：Deep Agents（快速实现）

---

场景 2：需要高度自定义的 Agent

选 LangChain！- 现有组件满足需求- 想怎么组装都行- 不需要复杂流程控制

---

场景 3：复杂多步推理（比如数学解题）

必须用 LangGraph！- 需要循环：解题 -> 检查 -> 重试- 需要分支：答对走 A，答错走 B- 需要断点：用户中断后能恢复- 确定性+智能体混合流程

---

场景 4：快速做个能跑命令的助手

选 Deep Agents！- 虚拟文件系统保护真实系统- Shell 执行在沙箱里- 子 Agent 隔离上下文

---

五、一句话选型

---

需求	选择
快速构建功能完整的 Agent	Deep Agents
需要高度自定义、组件组合	LangChain
复杂流程、循环分支、断点恢复	LangGraph

---

六、学习路线建议

---

官方推荐入门路线：1. Deep Agents（上手最快）→ 10 天   └─ 开箱即用，快速获得成就感2. LangChain（组件认知）→ 7 天   └─ 理解底层组件原理3. LangGraph（流程编排）→ 14 天   └─ 掌握复杂流程控制总计：约 31 天，系统掌握 LLM 应用开发

注意：三个框架不是替代关系，而是层层递进。Deep Agents 是 LangChain Agent 的高级封装，LangGraph 在 LangChain 生态之上提供更底层的编排能力。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】