LangChain vs LangGraph vs Deep Agents,一张图搞清楚该怎么选

OpenViking上下文数据库Golang集成实践 技术创新文件系统范式:将AI Agent的上下文管理从扁平向量存储提升为结构化文件系统分层检索策略:L0/L1/L2三层加载机制,减少62.1%的Token消耗记忆自迭代:会话提交触发Agent经验沉淀,实现越用越智能工程实践完整Golang实现:提供生产级可用的OpenViking客户端库企业级集成方案:涵盖文档摄入、检索、会话管理等全流程性能优化成果:检索准确率提升24.1%,响应时间减少53.3%可观测性提升可视化检索轨迹:实现检索过程的白盒化,调试效率提升77.1%全面监控指标。 阅读详情

学了一圈 LLM 开发框架,发现三个都听过,但不知道该用哪个?
选错了框架,重构起来可是要命的。


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LangChainLangGraphDeep 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 AgentDeep 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。

学AI大模型的正确顺序,千万不要搞错了

🤔2026年AI风口已来!各行各业的AI渗透肉眼可见,超多公司要么转型做AI相关产品,要么高薪挖AI技术人才,机遇直接摆在眼前!

有往AI方向发展,或者本身有后端编程基础的朋友,直接冲AI大模型应用开发转岗超合适!

就算暂时不打算转岗,了解大模型、RAG、Prompt、Agent这些热门概念,能上手做简单项目,也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料,手把手帮你快速入门!👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型(GPT、文心一言等)特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架(LangChain等)实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块,看似清晰好上手,实则每个部分都有扎实的核心内容需要吃透!

我把大模型的学习全流程已经整理📚好了!抓住AI时代风口,轻松解锁职业新可能,希望大家都能把握机遇,实现薪资/职业跃迁~

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

LangChain 生态选型指南:LangGraph vs LangChain vs Deep Agents 3大框架对比 本文对比分析了LangChain生态系统中的三大框架:LangChain、LangGraph和Deep Agents,详细介绍了它们的技术特点、适用场景和性能差异。LangChain适合快速原型开发,LangGraph适用于需要精确控制流程的复杂场景,而Deep Agents则专注于高度自主的智能体系统。通过本文的选型指南,开发者可以根据项目需求选择最合适的框架。 阅读详情

相关推荐

Deep Agents源码拆解:用LangGraph构建生产级多Agent智能体

大语言模型应用从原型走向生产,核心挑战在于多智能体的协作编排。LangChain提供模型调用、工具封装等基础组件,LangGraph通过状态图实现可控流程与循环决策。LangChain团队开源的Deep Agents呈现了分层多Agent架构:主Agent负责任务分解与调度,子Agent携带专属工具执行子任务,并通过结构化Handoff机制回传结论。该设计有效缓解上下文污染、工具选择困难与失败恢复难等生产环境痛点,可支撑工单处理、知识库问答等真实场景。围绕Deep Agents源码,深入拆解状态定义、节点组

weixin_29061041的博客 64

基于RAG的企业智能客服项目,已拿70万offer!

基于 RAG 构建一套企业智能客服系统📖。

m0_59164520的博客 1454

用AI学习graphify

Graphify是一个AI驱动的知识图谱构建工具,能够将代码、文档、论文、图像和视频等多模态数据转换为结构化知识图谱。其核心技术特点包括: 多模态处理能力: 支持25+编程语言的AST解析 处理PDF、Markdown等文档 集成Whisper进行音视频转录 高效知识提取: 采用确定性AST解析与LLM语义提取结合 相比直接读取源文件,查询token消耗最多减少71.5倍 增量更新机制仅处理变更文件 智能分析功能: 自动识别高中心性的"上帝节点" 发现跨领域的"意外连接&quo

我的专栏 752

从Vibe Coding到可控生产力:Harness Engineering的实践启示

摘要:OpenAI提出的Harness Engineering(工程化治理)理念为AI Agent时代的软件工程提供了关键方法论,旨在解决代码高产出下的质量闭环、上下文管理等核心矛盾。其三大目标包括重构工程师角色、将AI纳入可控体系、实现低成本纠错,通过六大举措(如角色重构、机械化约束、反熵机制等)重构工程流程。该理念与vibe coding高度互补,既保留灵感驱动的敏捷性,又通过工程化体系保障稳定性,最终推动工程师从"代码生产者"升级为"工程体系设计者"。

小程故事多的博客 4403

到底什么是Harness工程?一篇文章从入门到企业落地全解析

随着OpenClaw爆火,Harness Engineering(驾驭工程)成为AI编程时代的热门概念,很多小白对其感到陌生。本文用通俗类比和真实案例,避开复杂术语,从基础定义入手,讲清Harness Engineering的核心逻辑——人类工程师设计“约束系统”(马具),让AI模型(烈马)安全高效地完成代码工作,同时拆解其核心组件、企业落地场景和实战成果,帮小白快速入门,读懂这项能解放人力、提升效率的新技术,轻松掌握它的核心价值和落地思路。

program哲学 3294

GLMM(广义线性混合模型)原理以及分析步骤

广义线性混合模型(GLMM)是生态与进化研究中处理非正态数据的定制化工具,能同时分析固定效应和随机效应。它通过链接函数连接响应变量与预测因子,支持二项分布、泊松分布等非正态数据。研究流程包括:明确分析目标(固定效应影响与随机效应方差)、选择合适变量与分布、数据验证、参数估算(需根据模型复杂度选择PQL、拉普拉斯近似等方法)及模型优化(检验过离散与残差,通过信息准则或假设检验筛选最优模型)。GLMM能有效解决传统方法无法处理的"伪重复"和推广性问题,为复杂生物数据提供可靠分析框架。

wewil_lwin的博客 5013

LangChain VS LangGraph VS Deep Agents

从简单Agent到复杂长任务,技术演进需跨越三重层次:LangChain作为Agent框架,提供快速构建的抽象;LangGraph作为Agent运行时,解决状态管理、流程编排与人机协同;而Deep Agents则进一步封装为开箱即用的Agent Harness,集成复杂任务所需的能力。三者并非迭代关系,而是分层协作——分别应对“如何构建”“如何运行”和“如何高效交付”的核心挑战,共同支撑生产级Agent的落地。

军哥聊AI 177

实战指南 | Adjust 与 Facebook、Google Ads 自归因配置全流程解析

本文详细解析了Adjust与Facebook、Google Ads自归因配置的全流程,帮助移动应用出海推广者解决广告归因难题。通过自归因功能(SAN),开发者可以获取更准确的数据、简化配置流程并扩大安装来源覆盖,显著提升广告效果监测和ROI计算效率。

weixin_42528780的博客 539

LangChain Deep Agents 从入门到企业实战

根据LangChain官方文档的定义:Deep Agents是一个开源的Agent Harness(智能体 harness/工装),专为长时间运行的复杂任务而构建。它基于LangGraph构建,内置了任务规划、用于上下文管理的文件系统、子智能体派生能力以及详细的提示词,让你能够用更少的代码构建出能处理复杂多步骤任务的智能体。Harness(工装/ harness):它不是一个从零开始的框架,而是套在LangChain之上的"增强套件",提供开箱即用的深度能力基于LangGraph。

【javatoai17819112191】→Java && python && AI Agent工程师 2392

空地多无人平台协同路径规划复现:从建模到Matlab仿真全解析

路径规划是机器人领域的核心基础技术,从单机避障到多平台协同,问题复杂度显著提升。空地协同规划融合无人机与无人车的异构优势,通过将地图分层建模为空中与地面栅格,并采用A*算法生成初始路径、B样条平滑以及改进遗传算法进行任务分配与时间同步优化,能够有效处理几何约束、运动学约束和避碰约束等。该技术广泛应用于区域巡逻、目标搜索、物资转运等任务场景,也是高校论文复现和工程仿真的常见课题。本文从问题建模、算法设计到Matlab代码结构,系统梳理了一套空地多无人平台协同路径规划的复现思路,同时给出坐标系校准、遗传算法收敛

weixin_32175665的博客 252

嵌入式开发也玩“全家桶”?手把手教你用CLion+PyOCD调试APM32,比OpenOCD更简单

本文详细介绍了如何使用CLion和PyOCD组合进行APM32嵌入式开发,提供从环境配置到实战调试的完整指南。相比传统工具如Keil和OpenOCD,这套方案更轻量、易用,特别适合现代开发者需求,涵盖CMake配置、PyOCD调试技巧及常见问题解决。

weixin_42543046的博客 465

Deep Agents vs LangChain vs LangGraph:智能体框架选型与架构实践

大模型应用开发正从简单的提示词调用走向复杂的智能体编排。面对LangChain、LangGraph与Deep Agents三种技术路线,开发者常陷入选型困惑。LangChain作为高度封装的工具集,擅长快速构建RAG与本地知识库问答;LangGraph以显式状态图和可暂停恢复的节点机制,支撑多步工具调用与人工审核流程;Deep Agents则代表规划-执行-反思的智能体设计范式,为长期自主任务提供架构蓝图。理解三者的抽象层级、状态管理与循环控制差异,是合理选型的关键。本文从工业级项目视角,逐一拆解它们的设计

weixin_33046983的博客 233

从零构建EtherCAT从站:SSC工具配置与TwinCAT3 PDO/SDO调试实战

本文详细介绍了从零构建EtherCAT从站的完整流程,重点讲解SSC工具配置与TwinCAT3 PDO/SDO调试实战。通过解析EtherCAT通信机制、PDO与SDO的核心概念,提供SSC工具配置技巧、XML文件生成与校验方法,以及TwinCAT3环境下的调试经验,帮助开发者高效完成EtherCAT从站开发与优化。

weixin_42520573的博客 344

LangChain vs. LangGraph vs. Deep Agents

解释而。

前端精髓 279

STM32--基于STM32F103C8T6的OV7670摄像头显示

使用 STM32F103C8T6 微控制器驱动 OV7670 摄像头模组,并将图像数据显示在屏幕上,是嵌入式系统中常见的图像采集与显示应用。OV7670 是一款 CMOS VGA 图像传感器,具有高灵敏度、低电压等特点,适用于嵌入式应用。而 STM32F103C8T6 是一款常用的 MCU 控制器,具有丰富的管脚资源和较高的工作频率。

duierrorshuobu的博客 2146

mfcc总结,这个mel三角滤波器分组到底是如何起作用的呢?

先看fft频谱图(这是4096字节取样fft计算,横轴频率是从0到512,后边意义不大,未取,纵轴是振幅),那些我随便画的蓝色线,你有什么联想?: 再看,这绿色线,是否有一种上升后,便逐渐式微的感觉,都是三角形的,这或许也是mel当初和绝大多数人看到的: 如果在振幅上加上一条限制的黑线(振幅门槛限制),黑色线以下很多频率就没有意义了,你看,有用的频率连一半(512/2=256)都占不到...

ganggangwawa的博客 9911

做AI Agent到底该用谁?一文搞懂LangChain、LangGraph和Deep Agents,附选型指南

提到 AI Agent 开发,**LangChain**是一个绕不过去的名字——它是目前 GitHub 上 stars 数最多的 Agent 开发框架之一(超过 10 万 ⭐),Klarna、Uber、LinkedIn 等大公司都在用它构建生产级应用。

xx_nm98的博客 292

【架构】-- StarRocks 和 Doris 介绍与选型建议

查询性能 | ✅ 高性能,支持向量化执行和 CBO 优化器 | ✅ 高性能,优化的查询引擎 |- **实时性要求高**:如果业务对数据的实时性要求较高,建议选择 **StarRocks**,其在实时数据处理和低延迟查询方面表现优越。- **复杂查询需求**:对于需要处理复杂多表关联查询的场景,两者均可胜任,需根据具体性能测试结果进行选择。

欢迎来到我的博客,一起探索代码里的世界! 1835

LangChain vs LangGraph vs Deep Agents技术对比详解

本文揭示了LangChain、LangGraph和DeepAgents三者并非竞争关系,而是构成智能体开发的完整技术栈:LangGraph作为底层运行时提供持久化执行和状态管理;LangChain作为中层框架提供标准抽象和中间件架构;DeepAgents则是上层封装,提供开箱即用的工具和上下文管理能力。文章通过详细的技术架构对比和决策流程图,指导开发者根据项目需求选择合适层级:需要精细控制时选用LangGraph,快速开发时选择LangChain,处理复杂长时任务则推荐DeepAgents。三者可组合使用,

xawangxiaolong的博客 1380

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Deep Agents、LangChain、LangGraph:概念厘清与工程选型指南

大模型应用开发正从简单的线性调用走向复杂的智能体架构,随之而来的框架选型问题让许多开发者感到困惑。理解Agent的本质,是掌握动态决策、工具调用与循环推理能力的关键。LangChain作为基础工具库,提供了模型接入、提示词管理和工具调用的统一抽象;LangGraph则在图结构上实现了状态化编排,支持分支、循环、断点续跑和人工介入。而Deep Agents并非某个具体库,而是一种强调让模型自主规划、反思和修正的架构范式。在实际项目中,应根据流程复杂度决定选型:固定流程可用LangChain链路,动态决策和人工

weixin_31458015的博客 300

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

LangChain vs LangGraph vs Deep Agents:智能体开发三件套对比选型

在AI智能体开发中,LangChain、LangGraph与Deep Agents常被混淆,实则分属不同抽象层次。LangChain定位为LLM应用开发的工具集,封装模型调用、提示词管理与工具接入,适合简单线性链路;LangGraph则引入图结构与全局状态,通过条件分支、循环与人机中断实现复杂工作流编排;Deep Agents则代表以自然语言定义工作流的新范式,由大模型自主生成可执行流程。理解从工具、编排到语言驱动的工作流演进,有助于针对业务需求选择合适技术栈。本文梳理三者差异,并通过LangGraph实现

weixin_33212799的博客 279

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

LangGraph与LangChain深度对比:从Deep Agents范式到生产级编排选型

从智能体编排的概念讲起,当AI应用需要处理多步骤、动态决策和状态持久化时,传统的链式调用往往难以应对。LangChain作为工具集提供了丰富的组件,而LangGraph则引入了图状态机模型,支持循环、条件分支、中断恢复等高级特性。这种设计使得LangGraph成为实现Deep Agents这类深度智能体应用的关键基础设施。在实际场景中,无论是RAG问答、多轮工具调用还是人工审批流程,LangGraph都能提供更清晰的可控性和可观测性。本文通过对比两者核心差异,结合实战代码和选型建议,帮助开发者在简单应用与复

weixin_29035147的博客 306

用 Java 对齐 LangChain Deep Agents Harness (一)

如果你做过 LLM Agent,大概经历过这些坑:Deep Agents 的核心答案不是「再换一个更强的模型」,而是加一层 Harness(智能体套件):本项目是这套思想的 Java 实现:一个统筹 Agent + + (默认继承统筹工具),前端通过 SSE 看工具轨迹并处理审批卡片。 1.2 一次用户消息怎么走 智谱 MCPresearch-agentOrchestratorTools统筹 AgentExecutorExAssistantChatServiceAssistantController浏览器

qq_38363255的博客 208

Deep Agents 框架-基础篇

DeepAgents是LangChain生态中的高级API,构建于LangChain核心智能体模块和LangGraph运行时之上,旨在简化复杂智能体的开发。它提供任务规划、文件系统管理、子智能体生成等内置功能,适用于长期运行的多步骤任务。然而,DeepAgents并非独立框架,仍需依赖LangChain和LangGraph,学习成本较高。文档详细介绍了其核心能力、与LangChain/LangGraph的差异、配置方法及最佳实践,强调其在处理复杂任务时的优势,但也指出工程化选择需谨慎考虑其依赖关系和实际需求

yanghuashuiyue的专栏 450

DeepAgents vs LangChain, LangGraph 如何技术选型?

摘要:LangChain推出深度智能体框架DeepAgents 0.2版本,新增可插拔后端功能,支持多种文件系统存储方案。该版本还优化了大型工具结果处理、对话摘要等功能。DeepAgents定位为"智能体工具",与LangChain(框架)和LangGraph(运行时)形成技术栈差异,适合构建长期运行的复杂智能体系统。三种工具各有所长:LangGraph适合工作流开发,LangChain适合定制化智能体,DeepAgents则内置规划工具和文件系统,适合自主性要求高的场景。

AI_today的博客 1108

LangChain vs LangGraph vs DeepAgents:如何选择?

本文梳理了LangChain生态中三个核心组件的定位与关系: LangChain:提供模型集成、工具调用和基础Agent循环能力,适用于常规工具调用场景。 LangGraph:专注于底层工作流编排,通过状态管理、节点和边实现复杂流程控制,支持持久化和恢复,适合需要明确步骤、分支和循环的任务。 DeepAgents:在LangChain和LangGraph基础上扩展,提供任务规划、文件系统、子Agent和上下文管理等能力,适用于开放式多步骤任务。 技术选型建议: 简单工具调用:优先使用LangChain的cr

suaizai_的博客 210
上一篇: 检索策略终极选型:全文检索 vs 向量检索 vs 图检索
下一篇: Agent 如何管理其他 Agent:四种Sub Agent 模式
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2841原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值