Agent 框架还需要吗？LangChain谈2026年的演进与可观测性

每当 LLM 变得更强，同一个问题就会再次出现：“现在还需要 agent framework 吗？”这是个很合理的问题。随着模型性能提升和持续演进，构建 Agent 的最佳方式确实会变化；但从根本上说，Agent 是围绕模型构建的一整套系统，所以它们不会消失——只是也必须不断进化。到现在，我们已经做了三代 Agent 框架，而且每一代都和上一代明显不同。所以这是我们的判断：

Agent 框架依然有价值，但前提是它们的演进速度要跟上模型。
无论你如何构建 Agent，Agent observability 都应该可用。这也是为什么即使你不用我们的开源框架（LangChain 或 LangGraph），LangSmith 也依然可用。

这篇文章就围绕这两点展开。

为什么到了 2026 年，Agent 框架仍然重要

Agent 的模式已经从 chaining，发展到 workflow orchestration，再到结合文件系统和 memory 的 tool-calling-in-a-loop。我们为这些模式都构建过框架，并且相信它们都各有适用场景。下面是这一路的演进：

Chaining

最初的 langchain 在 2023 年走红，是因为当时很少有人知道如何把 LLM 真正用到业务中。这个框架通过一组集成能力和核心抽象，提供了把基础模型连接到你的数据或 API 的便捷方式。坦率地说，它早期确实有些“强观点”——更像是一个学习 prompting 和 RAG 的“快捷按钮”，而不是开箱即用的生产级工具。随着那年夏天第一波生成式 AI 热潮开始降温，“Agent 框架没必要”的批评声也越来越大。

我们听到了这些批评，但它们和我们在真实使用中看到的情况并不一致。绝大多数在构建 LLM 应用的团队，都需要一种比“完全从零自己写”更快的方式。好的框架可以：

把最佳实践沉淀进框架本身
减少样板代码
更容易把应用做到更高质量
在大团队中建立标准与可读性
提供更干净的生产落地路径

所以我们选择继续投入。只是这次是另一个框架。

Orchestration and run-time

langgraph 更底层、也更灵活。它包含一个支持 durability 和 statefulness 的 runtime，而这对 human-agent 和 agent-agent 协作被证明非常关键。它也回应了很多人此前对 langchain 在控制力上的担忧。我们后来确实在 2025 年重写了原始 langchain，让它更精简；但我们也意识到，不同问题需要不同工具。

Harness

更近一些，我们发布了 deepagents：一个 batteries-included 的 agent harness，性能更好、灵活性也更高。它支持长周期任务规划、tool-calling-in-a-loop、通过文件系统进行 context offloading，以及 subagent orchestration。之所以现在 agent harness 能发挥作用，是因为 LLM 的推理能力在持续增强，你可以把更多决策交给 LLM，而不是把各种 orchestration 模式硬编码进去。在概念上，它最接近 Claude Agent SDK，但它是 model-agnostic 的。据我们所知，这是目前唯一不绑定特定 LLM 或应用技术栈的 agent harness。

今天，我们会根据不同用例推荐不同框架。langchain 和 deepagents 都构建在 langgraph 的 runtime 之上，用于支持长时运行。

听起来有点夸张，但我们确实在三年里见证了三代 Agent：从 RAG 起步，到 agentic workflow，再演进到更自主的 tool-calling-in-a-loop Agent。

外界对框架最大的质疑是：AI 发展太快，根本来不及形成标准。这句话有其道理。但我们也相信，等行业“尘埃落定”再入场，是一种会输的策略。框架能帮助你更快下场、更快构建，并提高成功概率。即便如此，工具仍会持续变化。而且你也不需要在所有场景都上框架：如果只是一次简单的 LLM 请求，引入框架可能反而过重。

为什么 LangSmith 独立于 LangChain 开源框架

早期我们就意识到，质量是 Agent 进入生产环境的最大障碍。我们当时认为（现在依然如此），专为 Agent 设计的 observability 和 evals 是工具链中的必需项。

我们把它命名为 LangSmith，因为我们直觉上就认为，未来不会只有一种 Agent 框架。即使真的出现主导框架，它也会以极快速度演进，快到早期版本都几乎“面目全非”。我们知道不会所有人都使用我们的框架，但仍希望他们能够使用这个平台。

因此，我们把 LangSmith 设计成：无论你用的是 langchain、我们其他框架，还是完全不用任何框架，都可以使用。当时这并不是一个显而易见的决定。我们从 Vercel 这类公司获得启发——它们支持很多前端框架，而不只支持自己的 Next.js。

如今，LangSmith 已经可开箱集成多个框架：AutoGen、Claude Agent SDK、CrewAI、Mastra、OpenAI Agents、PydanticAI、Vercel AI SDK 等。它支持基于 OpenTelemetry 的 tracing，因此任何能输出 OTEL 规范的数据都可被 LangSmith 接入。它同样支持完全不依赖框架构建的 Agent。很多 LangSmith 客户（包括 Clay、Harvey 和 Vanta）并未使用我们的开源框架，但依然依赖 LangSmith 做 observability 和 evals。

在 Agent engineering 中，构建与测试正在融合

无论你用什么 Agent 框架，trace 对理解 Agent 行为都至关重要。我们一直在讨论 agent trace 的重要性，因为它是 Agent 调试、监控、评测等能力的基础。对于 Agent 来说，你的应用逻辑记录在 trace 里，而不只是代码里。把 Agent 搭出来只是第一步。Agent 是非确定性系统，在真正上线之前，你并不知道会遇到什么输入、产出什么结果。这就是为什么调试、测试和监控是 agent engineering 以及构建流程本身的关键组成部分。

所以，如果你没有使用我们的 OSS 框架，我们也很想知道原因！不过，这不该阻碍你借助 LangSmith 去弄清楚 Agent 为什么失败、又是如何失败的。

订阅我们的 newsletter

来自 LangChain 团队和社区的更新

输入你的邮箱

正在处理你的申请...

成功！请查看收件箱并点击确认链接，完成订阅。

抱歉，出现了一些问题。请重试。