从基础到进阶：AI 在 HR 工作中的典型应用场景梳理

LangChain-AI æŠ€æœ¯è°ƒç ”æŠ¥å‘Šæœ¬æ–‡æ˜¯ä¸€ä»½ç³»ç»Ÿæ€§ã€�工程导å�‘çš„ LangChain-AI æŠ€æœ¯è°ƒç ”æŠ¥å‘Šä»�整体技术体系ã€�设计ç�†å¿µã€�æ ¸å¿ƒèƒ½åŠ›ã€�工程特性ã€�应用æ�¶æ�„ä¸�生æ€�对比等多个维度全é�¢åˆ†æ��LangChainã€�LangGraphä¸�DeepAgents。一ã€�技术体系总体概览LangChain-AI 将智能体系统拆分为三个层级LLM ProvidersLangChain Agent App DSLLangGraph Stateful RuntimeDeepAgents Autonomous Agent HarnessLangChainAgent ä¸� LLM 应用的开å�‘框æ�¶DSL 层LangGraphAgent 的执行引æ“�ä¸�状æ€�è¿�行时Runtime 层DeepAgentsé�¢å�‘长期自治任务的高阶 Agent 工具箱Harness 层二ã€�LangChain

1 技术定ä½�ä¸�è®¾è®¡ç›®æ ‡LangChain 是一个é�¢å�‘ LLM 应用ä¸� Agent çš„å¼€å�‘框æ�¶Developer‑Facing Frameworkå…¶æ ¸å¿ƒè®¾è®¡ç›®æ ‡æ˜¯é™�ä½� LLM 应用ä¸� Agent çš„å¼€å�‘门槛æ��供统一ã€�å�¯ç»„å�ˆçš„抽象层模å�‹ / Prompt / Tool / Agent让开å�‘者专注“Agent 能å�šä»€ä¹ˆâ€�而ä¸�是“底层如何æ�¥æ¨¡å�‹â€�LangChain 并ä¸�试图解决执行å�¯é� 性ã€�状æ€�æŒ�久化等问题而是将这些è�Œè´£ä¸‹æ²‰ç»™ LangGraph。

2 能力模�

æ ‡å‡†åŒ– LLM / ChatModel æ�¥å�£é€šè¿‡chat_models统一å°�装ä¸�å�Œæ¨¡å�‹å�‚商OpenAIã€�Anthropic ç­‰å±�蔽 API 差异支æŒ�æµ�å¼�ã€�工具调用ã€�多模æ€�AppChatModelOpenAIAnthropic能力价值模å�‹å�¯æ›¿æ�¢æ€§å¼ºé�¿å…�供应商é”�定

Prompt Template �消�结�化�供PromptTemplate/ChatPromptTemplate将 Prompt 视为�组���维护的结�化对象VariablesPromptTemplateLLM能力价值Prompt 工程化�少字符串拼�错误

Tool 抽象ä¸�工具调用机制Tool 函数 æ��è¿° Schema自动转为模å�‹å�¯ç�†è§£çš„ Function / Tool Calling æ ¼å¼�AgentLLMToolæ�¨ç�† 选择工具调用返å›�结æ�œAgentLLMTool能力价值LLM 具备“行动能力â€�支æŒ�外部系统集æˆ�

预�建 Agent Loop内置 ReAct / Tool‑Calling Agent自动管��考 → 行动 → �馈循�InputReasoningToolCallObservation能力价值快速�建�用 Agent�� Agent 心智负担

Callback / Middleware 扩展机制在 LLM / Tool 调用生命周期�入自定义逻辑用�日志�监��安全审计�TracingBeforeCallLLMAfterCall能力定�总结LangChain 是Agent � LLM 应用的开�框�DSL而�执行引�。三�LangGraph官方资�项目主页github.com/langchain-a…官方文档docs.langchain.com/oss/python/…ConceptsGraph / Statedocs.langchain.com/oss/python/…

1 技术定ä½�ä¸�è®¾è®¡ç›®æ ‡LangGraph 是一个é�¢å�‘ Agent 的状æ€�化执行引æ“�Stateful Runtime用äº�解决 LangChain æ˜�ç¡®ä¸�解决的问题Agent 执行过程如何建模如何支æŒ�长时间è¿�è¡Œä¸�失败æ�¢å¤�如何让人类å�‚ä¸�执行过程LangGraph çš„æ ¸å¿ƒæ€�想是Agent 本质上是一个状æ€�机而ä¸�是一个黑盒循ç�¯ã€‚

2 执行模��抽象层级LangGraph 以 Graph 为一等抽象Node执行�元LLM�工具�逻辑Edge执行路径State系统级共享状�

3 能力模�

Graph‑based 执行模�将 Agent 工作�建模为有�图Node 执行�元Edge 执行路径�件1�件2StartNodeANodeBNodeCEnd能力价值显��制执行路径支�分支�循���退

显� State 建模使用 TypedDict / Dataclass 定义系统状��个节点显�读写 StateState0NodeState1能力价值系统级�观测状�Agent 行为�解释

Durable ExecutionæŒ�久执行自动 Checkpoint失败å�¯æ�¢å¤�ã€�å�¯é‡�放ExecuteCheckpointResume能力价值支æŒ�长时间è¿�行任务工程级å�¯é� 性

Human‑in‑the‑Loop 支æŒ�执行中å�¯æš‚å�œäººå·¥ä¿®æ”¹ State å��继续AgentSystemHumanæ‰§è¡Œåˆ°å…³é”®èŠ‚ç‚¹è¯·æ±‚å®¡æ ¸ç¡®è®¤/修改继续执行AgentSystemHuman

�图Subgraph�组�支�嵌套 Graph���程模�化能力定�总结LangGraph 是Agent 的状�机�执行�行时关注“�么跑得稳�。四�DeepAgents官方资�项目主页github.com/langchain-a…官方文档docs.langchain.com/oss/python/…Middleware Skillsdocs.langchain.com/oss/python/…

1 技术定ä½�ä¸�è®¾è®¡ç›®æ ‡DeepAgents 是一个é�¢å�‘长期自治任务的 Agent Harness能力整å�ˆå±‚å…¶ç›®æ ‡ä¸�是“让 Agent 能跑â€�而是让 Agent 能独立完æˆ�å¤�æ�‚项目级任务让 Agent 具备规划ã€�å��æ€�ã€�上下文管ç�†èƒ½åŠ›è®© Agent åƒ�一个“数字员工â€�而ä¸�是脚本DeepAgents æ˜�ç¡®æ�„建在 LangGraph Runtime 之上并å¤�用 LangChain çš„ Agent 抽象。

2 能力组织方�Harness / Middleware / SkillsDeepAgents �强调底层 API而是通过能力组�Middleware拦截��强 Agent 行为Skills��用的领域能力包内置工具集规划�文件系统�� Agent

3 能力模�

任务规划ä¸� Todo 管ç�†å†…ç½® Planning 能力自动将å¤�æ�‚ç›®æ ‡æ‹†è§£ä¸ºå�¯æ‰§è¡Œæ­¥éª¤GoalPlanTodo1Todo2Todo3能力价值支æŒ�长链路å¤�æ�‚任务

Middleware 驱动的能力扩展通过 Middleware 为 Agent 注入能力模�如规划�文件管������ Agent 管�AgentCoreMiddlewareAMiddlewareBMiddlewareC能力价值能力模�化Agent 行为�组�

文件系统作为长期上下文æ��ä¾›read_file / write_file / edit_file用文件替代 Prompt 作为主è¦�ä¿¡æ�¯è½½ä½“AgentFileSystem能力价值çª�ç ´ä¸Šä¸‹æ–‡çª—å�£é™�制支æŒ�项目级任务

Subagent 机制主 Agent 负责调度� Agent 执行专用�任务MainAgentSubAgent1SubAgent2能力价值上下文隔离并行执行

长期记忆ä¸�自治执行基äº� LangGraph çš„ Store支æŒ�跨会è¯�ã€�跨线程记忆能力定ä½�总结DeepAgents 是é�¢å�‘长期自治任务的 Agent Harness关注“æ€�么自己把事干完â€�。五ã€�æ€»ç»“å¯¹æ¯”æŠ€æœ¯æ ˆæ ¸å¿ƒèƒ½åŠ›å…³é”®è¯�技术定ä½�LangChainLLM 集æˆ�ã€�Agent DSLã€�Toolsã€�MiddlewareAgent å¼€å�‘框æ�¶LangGraph状æ€�机ã€�æŒ�久执行ã€�Graph ç¼–æ�’Agent RuntimeDeepAgents规划ã€�å­� Agentã€�文件上下文ã€�自治自治 Agent 工具箱六ã€�å…¸å�‹åº”用æ�¶æ�„示例

基� LangChain 的轻�级 Agent ��UserAgentChatModelToolsExternalAPI说�适��天机器人�RAG�简�工具 AgentAgent 生命周期短�步执行主�关注 Prompt�Tool�模�效�

基� LangChain LangGraph 的生产级 Agent ��UserGraphStateNodeLLMNodeToolStore说�显�状�建模State支�失败���长时间�行适��程� Agent��业自动化

基äº� DeepAgents 的自治 Agent æ�¶æ�„UserMainAgentPlannerTodoListFileSystemSubAgent1SubAgent2说æ˜�é�¢å�‘å¤�æ�‚ã€�长期ã€�多步骤任务文件系统作为主è¦�上下文载体å­� Agent 并行执行ã€�上下文隔离七ã€�ä¸�其它主æµ� Agent æŠ€æœ¯æ ˆçš„æ¨ªå�‘对比对比å�‚考官方资料AutoGengithub.com/microsoft/a…CrewAIgithub.com/joaomdmoura…OpenAI Agents SDKplatform.openai.com/docs/agents

æ�¶æ�„è®¾è®¡å¯¹æ¯”æŠ€æœ¯æ ˆæ ¸å¿ƒæ�¶æ�„æ€�想是å�¦æœ‰ Runtime状æ€�是å�¦ä¸€ç­‰å…¬æ°‘LangChainAgent DSL 工具抽象å�¦ä¾�èµ– LangGraphå�¦LangGraphGraph 状æ€�机是是DeepAgents自治 Agent Harness是基äº� LangGraph是AutoGen多 Agent 对è¯�å�¦å�¦CrewAI角色驱动æµ�程有é™�å�¦OpenAI Agents SDKå�Ÿç”Ÿ Tool Memoryå�¦å�¦

能力维度对比能力维度LangChainLangGraphDeepAgentsAutoGenCrewAILLM 抽象强中中中弱状æ€�管ç�†å¼±å¼ºå¼ºå¼±å¼±é•¿ä»»åŠ¡å¼±å¼ºæ��强弱中å­� Agent弱中强强强工程å�¯é� 性中强强弱中八ã€�结论LangChain‑AI æ��供的是一套分层ã€�å�¯ç»„å�ˆã€�工程å�‹å¥½çš„ Agent 技术体系LangChainé™�ä½� Agent å¼€å�‘门槛LangGraphä¿�è¯�执行å�¯é� 性ä¸�å�¯æ�§æ€§DeepAgentså®�ç�°é•¿æœŸè‡ªæ²»ä¸�å¤�æ�‚任务处ç�†åœ¨å½“å‰� Agent 技术生æ€�中该体系在工程æˆ�熟度ã€�å�¯æ‰©å±•æ€§å’Œé•¿æœŸä»»åŠ¡æ”¯æŒ�æ–¹é�¢å…·å¤‡æ˜�显优势。

国产大马拉小车真实故事-国产大马拉小车真实故事应用