JaydenAI的博客

文章摘要： 本文对比了MAF框架中的HarnessAgent与LangChain的DeepAgents在实现任务编排（Harness Engineering）时的异同。通过一个实际案例（统计《了不起的盖茨比》文本中特定关键词的行数及摘要生成），演示了两种代理的默认工作流程。DeepAgents通过create_deep_agent整合工具函数（如URL文本抓取）、系统提示词和内存检查点，分步骤调用工具链完成任务，并处理大文件分段读取。两者核心逻辑相似，但细节实现存在差异，展现了不同框架对复杂任务自动化的设计

LangGraph和MAF的Workflow真的很像，它们的核心目标非常一致，都是解决大模型逻辑链脆弱、非确定性带来的失控问题，将Agent转化为可控、稳定、可扩展的业务流水线。但是它们只是看上去很像，实际上在底层的实现又完全不一样。这篇文章我们就来讨论两者在基于Checkpoint的持久化方面的异同。

为解决LLM调用无状态的问题，我们不得不将消息历史作为上下文的一部分发送给LLM。但随着对话的进行，消息历史会不断增长，最终可能会超出LLM的上下文窗口限制。LLM拥有上下文的丰富程度与推理的质量并不是完全正相关的，当对话历史的长度超过一定程度后，过长的上下文反而会干扰LLM对当前对话的理解和推理，导致LLM生成的响应质量下降。所以对话历史的压缩需求可能永远都不会消失。我们来看看LangChain和MAF是如何解决这个问题的。

对话历史作为核心的上下文信息，为LLM建立起对话的语境，是决定LLM响应内容的关键输入之一。对话历史中的每一条消息都绑定这一个固定的角色，典型的角色包括`System`、`User`、`Assistant`和`Tool`。但是这并不意味着每条消息一定要求都要由对应的角色生成，为了提供LLM推理的质量，用户和工具都能根据需求向对话历史注入消息，而且这些消息可以具有任意的角色，前提是消息的结构符合要求。

本文介绍了如何利用LangChain（Deep Agents）的MemoryMiddleware实现Agent的长期记忆功能。通过文件系统存储用户偏好，Agent能在不同会话间保持记忆，实现个性化响应。文中以点餐助手为例，演示了如何基于用户ID存储饮食偏好，使Agent能根据历史记录提供定制化服务。示例代码展示了记忆的读写过程，并验证了修改记忆文件可直接影响Agent行为，体现了Agent的自我学习和适应能力。

Agent Skills是可移植的指令、脚本和资源包，赋予Agent专门化的能力和领域专业知识。Skill遵循开放规范，并采用渐进式披露模式，因此Agent只需在需要时加载所需的上下文。Agent Skills在不同个Agent开发框架中的实现可能会有所不同，但它们的核心理念是相似的。接下来我们就来看看Agent Skills分别在LangChain和MAF中的编程方式和实现原理。

RAG技术有效解决了大语言模型的五大核心痛点：通过强制检索外部知识库消除幻觉问题，实时更新数据突破知识时效性限制，安全利用企业私有数据，提供可追溯的答案来源，并以极低成本实现知识更新。示例展示了RAG如何通过检索最新信息回答超出模型训练时间的问题，同时保持数据安全和答案透明度。

MAF支持后台响应机制，通过ContinationToken处理长时间运行的操作，适用于复杂推理任务、易中断操作和延迟获取结果的场景。该机制允许Agent在后台处理请求并返回令牌，客户端可通过轮询获取最终结果。示例展示了在非流式调用中如何利用ContinationToken轮询旅游攻略生成任务的状态，直到操作完成。虽然LangChain原生不支持此功能，但可通过LangGraph SDK的Run对象实现类似效果。

AI Agent的结构化输出是指Agent在执行任务时，不再返回自然语言文本，而是严格按照预定义的格式（如JSON、XML、YAML 或特定数据对象）输出数据。这是将AI从**能聊天的Agent**演变为**能精确执行工业级业务流的系统**的核心技术。下来我们来看看LangChain和MAF是如何支持Agent的结构化输出的。

对于Agent的每一次调用，Agent内部都采用ReAct循环调用LLM和工具，直到达到某个终止条件才会停止循环。由于Agent处理管道在LangChain和MAF中具有截然不同的涉及，所以针对ReAct循环的实现也有很大的差异，下面我们来看看它们是如何实现的。

如何执行的工具涉及一些较为敏感的操作，必需要经过人工审批才能执行，这时候就需要引入人机交互（Human-In-The-Loop）的机制。无论是LangChain还是MAF，都提供了相应的机制来支持人机交互，下面我们来看看它们是如何实现的。

LangChain和MAF框架通过工具调用机制实现Agent与环境的交互。LangChain的工具系统核心是BaseTool基类，支持同步/异步调用，并提供丰富的元数据描述（如名称、功能描述、参数Schema等）。其子类Tool和StructuredTool分别实现简单函数和结构化参数调用，其中StructuredTool通过args_schema支持复杂参数类型。工具可通过@tool装饰器快速转换为BaseTool对象，注册时实际传递的是工具声明而非具体实现，使LLM能根据元信息生成调用意图。

本文对比了LangChain和MAF框架中Agent管道的设计差异。LangChain通过create_agent函数构建基于状态图的Agent，核心是包含模型节点和工具节点的双节点结构，通过动态条件边实现ReAct循环。中间件机制允许扩展状态字段、添加节点、包装模型/工具调用等功能，增强了管道的灵活性。相比之下，MAF的Agent管道设计更侧重于消息交换模式，而非简单的请求-响应模式。两种框架都支持复杂推理任务，但LangChain通过状态图和中间件提供了更直观的流程控制和扩展能力。

基于角色的消息机制是Chat Agent的核心技术，通过System、User、Assistant和Tool四种角色实现结构化对话。System设定AI人格与行为准则，User提供任务请求，Assistant维护对话历史，Tool处理外部工具交互。LangChain设计了BaseMessage基类和四种预设消息类型（SystemMessage、HumanMessage、AIMessage、ToolMessage），并通过ContentBlock实现内容标准化，支持文本、工具调用等多种内容形式。该机制有

摘要：LangChain和MAF在Agent设计上采用不同哲学。LangChain通过LangGraph、create_agent和create_deep_agent三种方式创建本质上相同的Pregel型Agent，核心是基于状态图和BSP机制的Actor模型，支持通过Middleware扩展功能。MAF则定义抽象基类AIAgent，通过继承实现多样化Agent类型，采用Workflow机制（类似LangGraph）驱动执行，并通过AgentSession管理会话状态。两者差异体现在：LangChain"万

本文介绍了LangChain和MAF框架中实现会话保持的两种方式。在LangChain中，通过Thread ID和Checkpointer机制实现多轮对话的上下文共享，示例展示了如何通过指定相同Thread ID来关联两次调用。MAF则采用Session对象的方式，在创建Agent时生成会话实例，通过传递Session对象维持对话状态。两种方式都能有效解决Agent在多轮交互中的上下文记忆问题，为复杂任务提供支持。文章还通过天气查询和穿衣建议的案例，演示了会话保持在实际应用中的效果。

本文对比了微软MAF框架与LangChain在AI代理开发中的差异。作者从.NET开发者视角出发，详细分析了两种框架在LLM客户端选择、Agent创建方式和上下文管理等方面的不同实现。通过具体代码示例，展示了如何使用Azure部署的GPT模型创建简单Agent，并比较了LangChain的Python实现与MAF的C#实现。文章特别指出MAF提供了多种客户端选择（OpenAIClient、AzureOpenAIClient和AIProjectClient），而LangChain则更依赖环境变量配置。这种对比