AI代理框架的演进与未来：LangChain、LangGraph、DeepAgents的迭代及LangSmith的独立可观测性价值

随着大型语言模型（LLMs）的持续演进，一个核心问题再次浮出水面：我们是否仍需要代理框架？这无疑是一个值得深入探讨的议题。尽管构建代理的最佳实践会随着模型能力的提升而不断演变，但从本质上讲，代理始终是围绕LLM运行的系统。因此，它们不会消失，只会随之进化。迄今为止，我们已开发出三代代理框架，每一代都承载着独特的设计理念。我们的核心观点如下：

1. 代理框架依然具备实用价值，但前提是必须与LLM的发展同步迭代。
2. 无论采用何种构建方式，代理的可观测性都应得到充分保障。这也是为何即使不使用我们的开源工具（如LangChain或LangGraph），LangSmith依然能发挥关键作用的原因。

本文将重点讨论这两点。

为何代理框架在2026年依然举足轻重？ 代理的功能已从简单的任务链式执行，逐步发展到复杂的工作流编排，乃至结合文件系统和内存的循环工具调用。我们针对这些不同的应用场景设计了相应的框架，并坚信每种框架都有其独特的适用范围。以下是其演进历程的概述：

1. 链式执行（Chaining） 最初的LangChain于2023年迅速普及，彼时开发者普遍缺乏有效利用LLM的实践经验。该框架通过一系列集成组件和核心抽象层，为将基础模型与数据或API连接提供了便捷途径。然而，它最初过于依赖特定的实现细节，更倾向于作为“简化Prompt学习和检索增强生成（RAG）的工具”，而非真正面向生产环境的解决方案。随着首波生成式AI技术的成熟，业界开始出现对代理框架必要性的质疑。

尽管面临这些批评，我们发现实际情况并非如此：绝大多数开发LLM应用的团队都渴望加速开发进程。一个优秀的代理框架应具备以下特质：

• 将最佳实践内置于框架；
• 减少重复代码；
• 提升代码质量；
• 在大型团队中实现代码标准化与可读性；
• 为产品化流程提供更清晰的路径。

鉴于此，我们持续投入开发新的代理框架。

2. 编排与运行时（Orchestration and Runtime） LangGraph提供了更低的抽象层次和更高的灵活性，支持持久化和状态管理功能，这对于人机协作及多代理间的复杂交互至关重要。尽管我们在2025年对LangChain进行了重构以提升性能，但我们深知不同问题需要量身定制的解决方案。

3. 强化代理功能（Harnessing） 近期，我们推出了DeepAgents——一个功能更强大、更灵活的代理框架，它支持长期任务规划、循环工具调用、上下文存储以及子代理间的协同工作。随着LLM推理能力的不断提升，越来越多的决策可以委托给模型本身，而非依赖硬编码实现。DeepAgents的设计理念与Claude Agent SDK相似，但其核心优势在于模型无关性（即适用于任何LLM或应用程序栈）。

如今，我们会根据具体需求推荐不同的代理框架。LangChain和DeepAgents均基于LangGraph的运行时框架设计，特别适用于长时间运行的复杂场景。

总结： 尽管AI领域发展迅猛，标准难以迅速确立，但放弃使用代理框架无疑会错失诸多发展机遇。这些框架能显著帮助开发者加速开发进程并提高成功率。然而，需要注意的是，并非所有场景都必须依赖代理框架；对于简单的LLM请求而言，过度使用框架反而可能显得冗余。

LangSmith为何独立于LangChain开源项目？ 我们早期便已意识到，代理框架的质量是其投入生产环境的关键瓶颈。因此，我们认为专门的代理可观测性和评估工具是不可或缺的。为此，我们开发了LangSmith，使其能够独立于LangChain或任何其他框架使用。LangSmith可与多种框架（如AutoGen、Claude Agent SDK等）集成，并支持基于OpenTelemetry的追踪功能。许多客户（包括Clay、Harvey和Vanta）即使不使用我们的开源框架，也依然依赖LangSmith来满足其可观测性和评估需求。

结语： 无论采用何种代理框架，追踪数据对于深入理解代理行为都至关重要。代理的实际逻辑往往通过追踪数据而非代码本身来体现。因此，调试、测试和监控是代理开发流程中的核心环节。即使您不使用我们的开源框架，我们也希望您能了解如何利用LangSmith来分析和优化代理的运行表现。