AI 智能體三大核心組件：從框架（Framework）、運行時（Runtime）到工具集（Harness）的技術邊界與應用場景 原創
大家好，我是玄姐。
LangChain 官方維護著多個不同的開源軟件包：其中 LangChain 和 LangGraph 規模最大，而 DeepAgents 的受歡迎程度正日益提升。
我開始用不同的術語來描述它們：LangChain 是一款 AI 智能體框架（Agent Framework），LangGraph 是 AI 智能體運行時（Agent Runtime），而 DeepAgents 則是 AI 智能體工具集（Agent Harness）。
其他從業者也在使用這些術語，但目前 “框架”、“運行時”、“工具集” 之間尚未有清晰的定義。
本文正是我嘗試界定這些概念的一次嘗試。我必須承認，它們之間仍存在模糊地帶與重疊，因此非常歡迎大家提出反饋！
一、AI 智能體框架（Agent Framework）：以 LangChain 為例
目前市面上多數用于輔助構建大語言模型（LLM）應用的軟件包，在我看來都可歸為 “AI 智能體框架”。這類工具的核心附加價值在于抽象能力，它們構建了一套對（開發）領域的認知模型，理想情況下能降低上手難度，同時提供標準化的應用構建方式，方便開發者快速熟悉項目并在不同項目間切換。
不過，抽象能力也招致了一些批評：若設計不當，它們可能會掩蓋底層工作原理，且無法為復雜場景提供所需的靈活性。
我們將 LangChain 定位為典型的 AI 智能體框架。在其 1.0 版本開發過程中，我們在抽象能力設計上投入了大量精力，涵蓋結構化內容塊、AI 智能體循環（Agent Loop）以及中間件（我們認為中間件能為標準的 AI 智能體循環增加靈活性）。
在我看來，其他可歸為 AI 智能體框架的工具還包括：Spring AI、Vercel 的 AI SDK、CrewAI、OpenAI Agents SDK、Google ADK、LlamaIndex 等等。
二、AI 智能體運行時（Agent Runtime）：以 LangGraph 為例
當你需要在生產環境中運行 AI 智能體時，就會需要 “AI 智能體運行時”。這類工具需滿足更多基礎設施層面的需求，核心需求包括：
- 持久化執行（Durable Execution）：確保 AI 智能體任務不中斷、狀態可恢復；
- 流式傳輸支持：適配實時數據交互場景；
- 人機協同（Human-in-the-Loop，HITL）支持：允許人類介入調整 AI 智能體決策；
- 數據持久化：包括線程級持久化與跨線程持久化。
我們開發 LangGraph 的目標，就是從零構建一個 “可直接用于生產環境” 的 AI 智能體運行時。LangGraph 為解決 LLM 智能體延遲高、可靠性低、非確定性問題而生，提供并行化、流處理等 6 大特性，以 “少假設未來、貼近代碼” 為理念，性能可擴展，適配生產級需求，已獲 LinkedIn、Uber 等企業采用。在我們看來，其他功能相近的工具還包括 Temporal、Inngest 以及其他持久化執行引擎。
通常而言，AI 智能體運行時的層級比框架更低，且能為框架提供支撐。例如，LangChain 1.0 就是基于 LangGraph 構建的，目的就是借助其提供的運行時能力。
三、AI 智能體工具集（Agent Harness）：以 DeepAgents 為例
DeepAgents 是 LangChain 正在開發的最新項目，其層級比 AI 智能體框架更高，它直接構建于 LangChain 之上，屬于 “開箱即用” 的工具集合，包含：
- 默認提示詞（無需開發者從零編寫）；
- 工具調用的預設處理邏輯（ Opinionated Handling，減少定制化成本）；
- 規劃專用工具；
- 文件系統訪問能力；
- 更多內置功能。
我們還常將 DeepAgents 描述為 “通用版的 Claude Code”。客觀來說，Claude Code 也在向 “AI 智能體工具集” 方向發展，比如：它們已發布 Claude Agent SDK，就是這一方向的重要一步。
如今，除了 Claude Agent SDK 之外，市面上的通用型 AI 智能體工具集并不多。不過也有觀點認為：所有編程命令行工具（Coding CLI）在某種程度上都可算作 AI 智能體工具集，且可能具備通用性。
四、如何選擇？三者核心差異與適用場景
下表總結了 AI 智能體框架、運行時與工具集的核心差異，及各自的適用場景：
維度 | AI 智能體框架（Framework） | AI 智能體運行時（Runtime） | AI 智能體工具集（Harness） |
對應產品 | LangChain | LangGraph | DeepAgents |
核心價值 | 提供抽象能力，降低上手難度 | 持久化執行、流式傳輸、人機協同、數據持久化 | 預設工具、提示詞、子智能體（開箱即用） |
適用場景 | 1. 希望快速上手開發；2. 需標準化團隊構建方式 | 1. 需要底層控制權；2. 開發長期運行、有狀態的智能體 | 開發更高自主性的智能體（減少重復配置） |
其他示例 | Vercel AI SDK、CrewAI、LlamaIndex、Google ADK | Temporal、Inngest、其他持久化執行引擎 | Claude Agent SDK、部分編程 CLI 工具 |
最后說明：概念界限并非絕對清晰。
我必須承認，上述三者的界限并非絕對分明。例如，LangGraph 或許更適合被同時描述為 “運行時” 和 “框架”；而 “智能體工具集（Agent Harness）” 這個術語也是我最近才看到使用頻率變高的（并非我首創）。目前，這些概念都還沒有絕對統一的清晰定義。
在新興領域開發的一大樂趣，就在于共同構建描述事物的認知模型。我們清楚 LangChain 與 LangGraph 存在差異，DeepAgents 又與前兩者不同，將它們分別定義為 “框架”、“運行時” 和 “工具集”，是我們認為有幫助的區分方式。但和往常一樣，我們非常期待大家的反饋！
好了，這就是我今天想分享的內容。
本文轉載自??玄姐聊AGI?? 作者：玄姐
