LangChain

应用层 Agent / LLM 框架：用统一接口拼模型、工具与中间件，快速搭可配置的 Agent 回路。

它是做什么的

LangChain 把「模型 + 提示 + 工具 + 中间件」收成可组合的 Agent harness。官方文档以 create_agent 为例：Agent = Model + Harness，Harness 覆盖提示、工具及塑造行为的 middleware。支持 OpenAI、Anthropic、Google 等多厂商，强调标准模型接口与高度可配置，并可切换模型而少改业务代码。

当前官方表述还明确：LangChain 的 Agent 构建在 LangGraph 之上，从而复用持久执行、人机协同（HITL）、检查点等能力；调试与评估则推荐配合 LangSmith。

语言生态：Python、JavaScript/TypeScript。
典型场景：工具调用 Agent、RAG 与应用链路、多提供商原型与落地。适合作为「先跑通再加深」的默认起点。

要点

• 与 LangGraph：LangChain 是更高层 Agent 框架与集成层；LangGraph 是底层编排运行时（状态图、持久化、流式、HITL）。官方建议：常见 Agent 用 LangChain；需要确定性流程与智能体步骤混合、或长时状态工作流时，下沉到 LangGraph。
• 与 Deep Agents：Deep Agents 是「开箱即用」harness（规划、子 Agent、虚拟文件系统等），建立在 LangChain / LangGraph 能力之上；简单场景不必一上来就上 Deep Agents。
• 集成与 MCP：聊天模型、嵌入、向量库、工具丰富；文档提供 MCP Adapter，可在 LangChain / LangGraph 应用中使用 MCP 工具。
• 观测：生产环境尽早打开 LangSmith 追踪，便于看清工具调用与失败模式。

适合谁

• 要快速做出可调 Agent / RAG，并希望少改代码换模型
• Python 或 JS/TS 技术栈，愿意从官方最小 Agent 示例起步
• 后续可能演进到复杂状态图，希望留在同一生态

官方入口

• 文档首页
• Python · LangChain 概览
• JS/TS 文档
• GitHub（langchain）

建议怎么用

先跑通「一个模型 + 一个工具」的最小 create_agent，确认调用闭环；再按需加 middleware（护栏、重试、路由）。检索增强先做最小 RAG，再接到 Agent 工具。出现分支循环、检查点、人工审批需求时转到 LangGraph。观测与评估尽早接 LangSmith，避免上线后再补埋点。文档与示例更新较快，以 docs.langchain.com 当前页面为准。