AI Agent 工程化开发实战(一):Agent 开发的四个层次——积木、运行时、薄壳、套件

作者:寻道AI小兵日期:2026/10/17

目录

  • 前言
  • 一、从一个困惑说起
  • 二、官方分三类产品,依赖上却是四层
  • 三、四个层次逐层拆
    • 第 1 层:积木(langchain-core)
    • 第 2 层:运行时(LangGraph)
    • 第 3 层:薄壳(create_agent + middleware)
    • 第 4 层:套件(Deep Agents)
  • 四、一张调用链图看清全貌
  • 五、一次选型定位:该落到哪一层
  • 六、工程化要点:双向认知
  • 参考文献

前言

本系列贯穿一条英文概念主线:Agent Runtime → Harness。本文先建立整个系列的认知地基:为什么我们讲「四个层次」,而不是你更常听到的「三个框架」。

一、从一个困惑说起

如果你刚接触 LangChain 生态,大概率会被这三个词绕晕:LangChain、LangGraph、Deep Agents。

它们是三个递进的框架吗?是不是「先学 LangChain,再学 LangGraph,最后学 Deep Agents」?我该从哪个入手?为什么 LangChain 官网一会儿说自己是「框架」,一会儿又冒出一个「运行时」、一个「套件」?

这套困惑不是你的问题,是这个生态自己给自己挖的坑——它把产品和依赖层次两件事混在一起讲,读者自然分不清。

这篇先做一件事:把「三类产品」和「四个层次」同时摆在你面前,讲清楚它们各是什么、又怎么对应。 这是后面各篇的地基,值得现在花五分钟立稳。

二、官方分三类产品,依赖上却是四层

先看官方口径。官方把 Agent 开发生态分成三类(Runtime / Framework / Harness)[1]——LangChain 自家三个产品 LangGraph / LangChain / Deep Agents SDK 正好各占其一[2]:

官方类别产品一句话定位
Runtime(运行时)LangGraph控制 Agent(智能体)怎么执行:图、状态、检查点、流式
Framework(框架)LangChain提供组件和 create_agent 工厂
Harness(套件)Deep Agents SDK把一套内置中间件栈(各自注入常用工具)打包好的开箱即用套件

按产品数,就是 3 类。这没错。但注意两点:一是这个「三类」是对整个生态的分类——每一类里都还有第三方选项(Runtime 还有 Temporal / Inngest,Framework 还有 CrewAI / OpenAI Agents SDK,Harness 还有 Claude Agent SDK 等),只是本系列只讲 LangChain 自家的三个;二是官方产品名现在是 Deep Agents SDK(另有独立的 Deep Agents CLI),本文为行文简洁,下文一律简称 Deep Agents。

但落到依赖关系上,事情变了——因为 LangChain 不是一个整块。它被 LangGraph 从中间「劈」成了两半:

1langchain-core(积木:messages / tools / models / bind_tools)   ← LangChain 的一半,在 LangGraph 之下
2        ↑ 依赖
3LangGraph(运行时:图、状态、Checkpoint、流式、HITL)
4        ↑ 依赖
5create_agent + middleware(LangChain 薄壳)                      ← LangChain 的另一半,在 LangGraph 之上
6        ↑ 依赖
7deepagents / create_deep_agent(Deep Agents 套件)
8

所以是「3 类产品、4 层依赖」。 多出来的那一层,正是把 LangChain 劈开的结果:

  • langchain-core(我们叫它「积木」)在 LangGraph 之下——它是 LangGraph 的地基,LangGraph 依赖它;
  • create_agent + 中间件(我们叫它「薄壳」)在 LangGraph 之上——它包在 LangGraph 外面,是 LangGraph 的一层封装。

这条是我全系列反复强调的铁律:不要把 LangChain 画成一整块叠在 LangGraph 之上。很多人(包括早期教程,也包括我当年自己画的图)都在这栽过跟头,后果是讲 create_agent 的时候逻辑对不上——它明明「包着」LangGraph,怎么会和「垫着」LangGraph 的 langchain-core 是同一个东西?

三、四个层次逐层拆

从下往上看,一层一层说清楚它「是什么、管什么」。

第 1 层:积木(langchain-core)

最底层,也是最「无聊」、最该先吃透的一层。它提供的是最小原子:

  • messages:消息对象(Human / AI / Tool / System);
  • tools:工具的声明与描述;
  • models:大模型的统一调用接口;
  • bind_tools:把工具「绑」到模型上,让模型知道它能调用什么;
  • 以及后面讲检索与 RAG 的篇章要展开的检索组件(Document / Embedding / Retriever 等)。

这一层不关心「Agent 怎么循环、怎么记忆、怎么中断」,它只关心「一个消息长什么样、一个工具怎么声明、一次模型调用怎么发」。你后面写的每一行 from langchain_core ... import,用的都是这层。

为什么它是最底层? 因为 LangGraph 自己就是建立在它之上的——Agent 场景下 StateGraph 里流动的状态,通常是 MessagesState(一组 messages);不过状态本身可以是任意 TypedDict 结构。节点里调用的,就是 models 和 tools。

第 2 层:运行时(LangGraph)

LangGraph 是执行引擎,回答的问题是「Agent 每一步该怎么走」。它提供了:

  • 图 / 节点 / 边:把 Agent 拆成一个个节点(调用模型、调用工具),用边串成执行流;
  • 状态(State):Agent 每一步的输入输出、累积的对话历史,都存在一个显式的状态对象里;
  • Checkpoint(检查点):每一步的中间状态可持久化,支持断点恢复,官方称时间旅行(time travel)(讲 Checkpoint 与断点恢复的篇章会专门展开);
  • 流式(stream):把执行过程以 token / 节点为单位推出来;
  • Human-in-the-loop(HITL,人在环):在任意节点暂停,等人类确认再继续(讲 HITL 的篇章会给出底层 interrupt())。

一句话:积木是「零件」,运行时是「流水线」。LangGraph 决定零件按什么顺序、在什么状态驱动下流转。

第 3 层:薄壳(create_agent + middleware)

这是 LangChain 在 LangGraph 之上的那半。LangGraph 已经能跑 Agent,但手写 StateGraph 太啰嗦——一个「调模型 → 调工具 → 再调模型」的最简 Agent,你要自己写节点、写条件边、写循环终止。

于是 LangChain 提供了一个 create_agent 工厂:一行代码生成一个标准的「模型 + 工具」循环图,还附带一套中间件(middleware)栈,让你在「模型调用前 / 调用后」「工具调用时」等时机插入自定义逻辑(讲中间件的篇章会专门展开)。

所以「薄壳」的「薄」是刻意的:它不改变 LangGraph 的执行语义,只是在外面包了一层更省事的 API。你要控制得更细,随时可以「下沉」回 LangGraph。

第 4 层:套件(Deep Agents)

最顶层,最省力。create_deep_agent(来自 deepagents 包)在 create_agent 的基础上,再打包一层:把「写计划、读写文件、执行代码、管理长期记忆、人在环」这些生产级 Agent 几乎都要用的东西,作为一套内置中间件栈(各自注入内置工具)预先装好。

它和薄壳的关系,就像薄壳和运行时:套件是薄壳的薄壳,薄壳是运行时的薄壳。你从第 4 层起步,需要什么控制力,就逐层往下沉。

四、一张调用链图看清全貌

认知篇不贴代码(后面每篇都有能跑的代码),用一张调用链图把四层的关系钉死。假设你最终写下这样一行:

1from deepagents import create_deep_agent
2agent = create_deep_agent(...)
3

这行代码背后,是自上而下的一串依赖调用:

1你的代码
2   │  调用
3   ▼
4create_deep_agent(...)                    ← 第 4 层 套件
5   │  内部调用
6   ▼
7create_agent(...)  +  middleware 栈       ← 第 3 层 薄壳
8   │  内部调用
9   ▼
10StateGraph(nodes / edges / state)       ← 第 2 层 运行时
11   │  依赖
12   ▼
13langchain-core(messages / tools / models / bind_tools)  ← 第 1 层 积木
14

记这张图时抓两点:

  1. 方向是自上而下的依赖:上层调用下层,下层不反过来依赖上层。create_deep_agent 不认识你的业务,它只调用 create_agent;create_agent 不认识「写计划」,它只构建 StateGraph;StateGraph 不关心「Agent」,它只流转 messages。
  2. LangChain 横跨两层:create_agent(薄壳)在 LangGraph 之上,langchain-core(积木)在 LangGraph 之下。这就是「3 类产品 / 4 层」的由来——Framework 这一个产品,拆出了两个依赖位置。

五、一次选型定位:该落到哪一层

认知篇的「实战」不是写代码,而是练一种选型直觉:拿到一个需求或一个报错,能立刻判断「它该由哪一层来负责」。这是我这些年排查问题和做架构评审时最高频的动作,给你几道我真实遇到过的情况,试着先自己想,再看定位。

场景 A:「我要一个能调工具、带记忆、能写文件的 Agent,最好明天就能演示。」

→ 落第 4 层(套件)。create_deep_agent 一行搞定,规划、文件、记忆都是内置的。别手写 StateGraph——那是把「明天要演示」的活干成「下周」。

场景 B:「我要在每次调用模型之前,注入一段动态的系统提示(比如按用户等级加载不同人设)。」

→ 落第 3 层(薄壳)。这是 create_agent 的中间件 before_model 干的活。用第 4 层做不了这么细的「卡点」,用第 2 层又太重。

场景 C:「我要一个多智能体编排:一个 supervisor 派单给几个子 Agent,各自有独立的检查点和中断点,还要能回放任一步。」

→ 落第 2 层(运行时)。多图、独立 checkpoint、断点恢复/回放,这是 StateGraph + 子图的地盘。第 3、4 层是「单 Agent 循环」的封装,硬套多智能体会拧巴。

场景 D:报错 AttributeError: 'BaseChatModel' object has no attribute 'bind_tools',发生在你往 LangGraph 节点里传模型的时候。

→ 这是第 1 层(积木)的问题——bind_tools 是挂在模型对象上的方法(第 1 层的模型接口),报这个错几乎总是因为你传进去的不是 ChatModel 对象(比如拿成了裸 provider 模型、旧的 BaseLLM,或对象被错误包装)。顺着「它属于第 1 层」去查你传进去的模型对象,而不是在 LangGraph 的图逻辑里瞎找。

我的选型口诀:能用高层就绝不手写底层;但一旦你要「精确控制」某一步,就一路下沉到管那一步的那层,别在高层的缝里硬抠。 这也正是官方推荐的方向——默认从 Deep Agents 开始,需要控制再下沉(讲选型决策的篇章会把它展开成一套决策树)。

六、工程化要点:双向认知

最后把这个「双向认知」立住,它能解释整个系列的编排逻辑:

  • 自底向上 = 依赖顺序(学习 / 理解时的顺序):langchain-core → LangGraph → create_agent → Deep Agents。你要搞懂「为什么 create_agent 能包住 LangGraph」,就得先知道 LangGraph 依赖什么、LangGraph 又能提供什么。所以本系列从 LangGraph 讲起,而不是从「最省力的 Deep Agents」讲起——那不是最省力,是「会用但不懂」。
  • 自顶向下 = 使用顺序(真实开发时的顺序):Deep Agents → create_agent → LangGraph → langchain-core。上手永远是最高层,逐层下沉直到拿到你要的控制力。

两者不矛盾,就像「装配一台发动机,要从零件理解起;但开车出门,是从点火起步」。本系列 Part 1 快速起步、Part 2 系统讲运行时、Part 3 讲薄壳与积木、Part 4 讲套件、Part 5 组装成主案例,正是这条双向认知的落地。

记住本文最该带走的一句话:官方是 3 类产品(Runtime / Framework / Harness),依赖上是 4 层——因为 LangChain 被劈成了「积木(下)+ 薄壳(上)」两块。 这句话,会是后面各篇反复回来校准的坐标原点。

参考文献

[1] LangChain 官方文档 · Concepts:Products(Runtimes, frameworks, harnesses)— https://docs.langchain.com/oss/python/concepts/products
[2] LangChain 官方博客:《Deep Agents vs LangChain vs LangGraph》— https://www.langchain.com/blog/deep-agents-vs-langchain-vs-langgraph
[3] LangGraph 官方文档 · Overview — https://docs.langchain.com/oss/python/langgraph/overview


🎯 更多专栏系列文章可以查看博客主页📑 👍 若文章对你有所触动,恳请点赞 ⭐ 关注 ⭐ 收藏


参考文档


《AI Agent 工程化开发实战(一):Agent 开发的四个层次——积木、运行时、薄壳、套件》 是转载文章,点击查看原文。


相关推荐


为了 token 自由,我把 jeeflow 工作流引擎用 MoonBit 写了一遍
mldong2026/10/15

一、先说钱 MoonBit 官网首页那行字是"为智能体打造的语言与工具链",它下面此刻挂的 banner 就是这场赛事:个人最高奖金 7.2 万元。 比赛每个月办一期,报名和验收截止是同一天。月度项目支持是 150 元启动、350 元完成,一个项目过两道审核就是 500 块。 我报名有一半是为了这 500 块,打算拿去充 AI 编程的额度。token 自由离我还远,先自由一个月算一个月。 要拿这笔钱,得先交出一个仓库。九月我交的是 jeeflow-moon:把工作流引擎用 MoonBit 又写了


时序数据库选型指南:从大数据架构视角拆解 Apache IoTDB 的适用边界
欢喜躲在眉梢里-柚子2026/10/6

文章目录 时序数据库选型指南:从大数据架构视角拆解 Apache IoTDB 的适用边界写在前面:选型失败的,往往不是跑分一、先画链路图:时序库在大数据架构里的位置为什么高基数是个绕不开的坎 二、IoTDB 的技术路线:几个关键设计决策2\.1 双模型:树模型与表模型并存2\.2 存储层:TsFile 与自适应编码2\.3 写入引擎:乱序与顺序分离2\.4 端边云协同:一个容易被低估的能力2\.5 AI 能力:AINode 与内置时序模型2\.6 关于版本与环境 三、横向对比:和国


网易UU远程实测:从手机到电脑的跨端协作,功能全到意外还全免费
七夜zippoe2026/9/29

目录 摘要 一、为什么突然聊远程控制这件事? 二、网易UU远程到底是什么? 2.1 支持平台覆盖有多广? 2.2 一句话说清核心卖点 三、核心功能深度拆解 3.1 远程桌面:4K画质真不是噱头 3.2 文件传输:不限大小、不限数量、断点续传 3.3 远程终端:开发者福音 3.4 端口映射:图形化内网穿透,告别frp 3.5 远程开机(WOL):关机也能叫醒 3.6 隐私保护:细节见真章 3.7 剪贴板同步的细节体验 四、游戏场景:不只是"能连",而是"能玩" 4.1


在 Ubuntu 24.04 LST 上安装 Node.js 24
Mapleay2026/9/22

nvm 没有安装成功(或没有加载到当前 shell)。这说明之前的安装脚本没生效,或者 ~/.bashrc 没有被正确加载。 请按顺序执行下面的步骤。 🛠️ 方案一:用 NodeSource 直接安装 Node.js 24(更简单) 如果不想折腾 nvm,直接用系统包管理器安装最省事: # 1. 添加 NodeSource 仓库 curl -fsSL https://deb.nodesource.com/setup_24.x | sudo -E bash - # 2. 安装 Node


Node 开发者也有自己的轻量工作流引擎了:npm i 一行,5 分钟跑通一条审批流
mldong2026/9/14

一、搜"node 工作流引擎",你会先搜到什么 场景很常见:一个 Node / TypeScript 服务(中台、内部系统、全栈应用),产品说要加审批流。请假、报销、采购,单子从申请人出发走到部门领导,复杂一点的要会签、按比例通过、退回发起人改材料、抄送一把手。 你去搜 node workflow,会搜到 n8n(可视化工作流自动化平台)、BullMQ(Redis 任务队列),再往外还有 Temporal、Camunda 的 Node 客户端。这些名字都很强,但花一个下午读下来你会发现,它们的主


Codex 太能吃 Token?给它配个 GPT 军师!
潘高2026/9/6

用 Codex 最怕什么? 活还没干完呢,Token 先没了。 加个按钮,先分析;补个条件,再分析;临时改主意,推倒重来。按钮还没露面,方案倒是先出了三版。 再看看旁边的 ChatGPT 网页,明明还有可用额度,却在陪你闲聊“今晚吃什么”。 能不能让它也来搭把手? 这就是我做 Chat2Codex 的念头。一句话: ChatGPT 当军师,Codex 干实事。 一个摇羽扇,一个敲键盘 军师负责捋需求、想方案、拆步骤;Codex 负责进项目、读代码、改文件、跑测试。结果带回来,再看看下一步怎么


Eino ADK——Agent 的完整生命周期:从创建到中断恢复(第98篇-E84)
leeyi2026/8/29

上一篇 讲了数据库迁移怎么不翻车。但 Agent 本身是怎么跑起来的?创建、执行、工具调用、中断、恢复——这些生命周期节点 Eino ADK 怎么管? 这篇拆解 Eino ADK(Agent Development Kit)的 Agent 完整生命周期。从 NewChatModelAgent 到 Runner.Run,从 ReAct 循环到 Interrupt/Resume。源码在 eino/adk/ 下,核心文件四个:interface.go、chatmodel.go、runner.go、fl


Rust 泛型 Generics详解:编写可复用且类型安全的代码
程序员爱钓鱼2026/8/21

《Rust编程实战》系列第47篇 上一篇文章中,我们学习了Rust的Trait Object,了解了dyn Trait、Box<dyn Trait>以及动态分发。本篇继续学习Rust类型系统中另一项非常核心的能力: Generics 中文通常称为“泛型”。 泛型解决的问题可以简单理解为: 在不知道具体类型的情况下,编写可以复用于多种类型的代码。 假设我们需要分别查找i32、f64中的最大值,如果不用泛型,可能会写: fn max_i32(a: i32, b: i32) -> i32 {


数字孪生3D可视化有哪些?主流实时渲染平台深度测评
anxiao_m2026/8/7

随着产业数字化推进,数字孪生3D可视化逐步落地智能制造、智慧城市、园区管控等场景。不少项目负责人在选型阶段产生困惑:市面上可用的数字孪生3D可视化方案分为哪些类型,搭载实时渲染能力的服务商又该如何筛选。 本文结合行业通用评估维度,梳理主流解决方案,对比各方案适配场景,帮助需求方避开选型误区,找到匹配自身项目的可视化底座。 一、数字孪生3D可视化方案评测标准 本次榜单排序依据五项核心维度综合打分,每项标准具备明确选型参考价值: 实时渲染性能:决定大体量三维模型能否流畅交互,是区分静态沙


玻尔兹曼机光谱数据处理实战:细菌拉曼光谱上的RBM少标签分类
nnerddboy2026/7/29

本文是一篇“光谱数据处理 + 受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)”的实战讲解稿。它不重新运行你的脚本,而是基于你提供的真实结果文件、脚本和 5 张图,把整条链路从零讲清楚:数据是什么、为什么要这样预处理、RBM 到底学到了什么、少标签实验为什么这样设计、每张图应该怎么读、结果说明了什么、如果自己动手复现要注意什么。完整代码在文末 0.前言 这个案例解决的是一个非常典型、也非常实际的问题:光谱很多,标签很少。 你手里的数据是真实单细胞

首页编辑器站点地图

本站内容在 CC BY-SA 4.0 协议下发布

Copyright © 2026 聚合阅读