定位升级：从链式拼装过渡到可运行的 Agent 生态。转为面向生产的 Agent 开发生态入口：统一的模型抽象、标准化消息/内容块、可插拔中间件、以及与 LangGraph 的深度耦合，使开发者既能快速起步，又能细粒度管控每一步执行 底座迁移：Agent 运行时全面迁移至 LangGraph，也就是说，你在 LangChain 层“写出来”的 Agent，实质是运行在 LangGraph 的图式执行引擎上，具备状态管理、检查点、可中断/恢复、持久化与并发控制能力。 历史包袱清理：旧的 AgentExecutor 路线退出，官方明确建议新项目使用基于 LangGraph 的 Agent 方案。
Human-in-the-loop（人在环）：敏感操作（转账、发信、写库）自动中断，等待人工审核/编辑。借助 检查点（checkpointer） 可在中断后恢复执行。我们的实操已验证在 Notebook/Studio 场景下如何以 JSON 决策恢复执行。 消息压缩与治理： 修剪（Trimming）：限制条数或 token 上限以修剪掉旧消息； 删除（Deleting）：精确删除早期或指定类型消息； 汇总（SummarizationMiddleware）：累计 token 逼近阈值时，自动生成摘要替换旧消息并保留若干最新消息。 动态模型路由：依据输入规模、关键词或预算等条件自动切换不同模型（如简单启用 DeepSeek-chat、 复杂启用deepseek-reasoner）。
过多模块与类结构； 不同模型需安装不同子库（如 langchain-deepseek、langchain-google-genai）； 上手曲线陡峭。
字节跳动 Deep Research（deerflow）：基于 LangChain + LangGraph 架构。
Google Gemini Fullstack LangGraph Quickstart：基于 LangGraph 构建。
