LangChain 在 1.0 之后可能已经成为目前最好用的 agent 框架了，事物都会进化，不能因为它是和 llamaindex 一个时代，早期 API 的混乱粗糙而认为它一直如此，尤其是当有充分的资金和坚定的目标的情况下，显然 LangChain 这两点都具备。[^1]
当然这只是其次，最重要的判断依据是我认为它在架构上做了正确清晰的决策，能支持 agent 应用长期稳定地继续演进。
首先是建立了 persistence layer 持久化层核心概念，这让 agent 不再只是简单地把 I/O 在函数间传递，而是有了宏观到微观的状态控制，具备了故障恢复、failover 的容错性。其他 agent 框架多数也能一定程度控制数据，但没有把这一层清晰地在架构上表现出来。
随后是在持久化层的基础上，支持了 durable execution。这是我今年最喜欢的一个技术概念，它是让一个工作流有多个断点，在执行过程中可以从任意断点重试和恢复，通过中心化的调度管理，各种策略规则的运作，确保其能最终完成执行。可以理解为一个更加灵活、细粒度的任务队列（task queue)。这个理念产生于一些 orchestration workflow 框架中（比如 inngest, temporal, 都是非常出色的项目），但在 agent 场景下，完全可以作为一个设计模式融合进来，让 agent 的执行过程得到进化。
我最早见到支持 durable execution 的是 Pydantic AI 和 Motia, 但前者有一定程度的历史包袱，对这种后续增加的功能没有彻底融入到基础架构上；后者我看了代码，目前的调度层还比较原始，不具备横向扩展能力。所以综上所述，1.0 彻底重构后的 LangChain + LangGraph 看起来非常 promising，我打算在下一个项目里使用（其实现在也有在用 langchain 的工具模块比如 splitter）。另外，把产品分为LangChain 和 LangGraph 两部分，各自侧重在开箱即用的丰富功能和 agent 调度的核心流程上，也是我认为能让代码保持可维护性、减少技术债影响的一个非常好的策略。
[^1]: https://blog.langchain.com/series-b/
当然这只是其次，最重要的判断依据是我认为它在架构上做了正确清晰的决策，能支持 agent 应用长期稳定地继续演进。
首先是建立了 persistence layer 持久化层核心概念，这让 agent 不再只是简单地把 I/O 在函数间传递，而是有了宏观到微观的状态控制，具备了故障恢复、failover 的容错性。其他 agent 框架多数也能一定程度控制数据，但没有把这一层清晰地在架构上表现出来。
随后是在持久化层的基础上，支持了 durable execution。这是我今年最喜欢的一个技术概念，它是让一个工作流有多个断点，在执行过程中可以从任意断点重试和恢复，通过中心化的调度管理，各种策略规则的运作，确保其能最终完成执行。可以理解为一个更加灵活、细粒度的任务队列（task queue)。这个理念产生于一些 orchestration workflow 框架中（比如 inngest, temporal, 都是非常出色的项目），但在 agent 场景下，完全可以作为一个设计模式融合进来，让 agent 的执行过程得到进化。
我最早见到支持 durable execution 的是 Pydantic AI 和 Motia, 但前者有一定程度的历史包袱，对这种后续增加的功能没有彻底融入到基础架构上；后者我看了代码，目前的调度层还比较原始，不具备横向扩展能力。所以综上所述，1.0 彻底重构后的 LangChain + LangGraph 看起来非常 promising，我打算在下一个项目里使用（其实现在也有在用 langchain 的工具模块比如 splitter）。另外，把产品分为LangChain 和 LangGraph 两部分，各自侧重在开箱即用的丰富功能和 agent 调度的核心流程上，也是我认为能让代码保持可维护性、减少技术债影响的一个非常好的策略。
[^1]: https://blog.langchain.com/series-b/