Harrison Chase 如何把 LLM 變成 Agent？從 LangChain、LangGraph 到 Deep Agents

Harrison Chase 如何把 LLM 變成 Agent？從 LangChain、LangGraph 到 Deep Agents

先講結論： Harrison Chase 是 LangChain 生態的創辦與推動者之一，將 LLM 應用拆成工具、提示、檢索、狀態與流程圖；Agent 的可靠性關鍵不只是模型，而是可觀察、可回退、可授權的工作流。

Harrison Chase 是誰？ 他是 LangChain 生態的主要創辦與推動者之一，聚焦 LLM 應用、工具整合與 Agent 工作流。

LangChain 解決什麼問題？ 它提供模型、提示、檢索器、工具與輸出解析的組合介面，降低從原型串成應用的成本。

LangGraph 的核心是什麼？ 它把 Agent 表示成有狀態的節點與邊，讓迴圈、人工介入、重試與分支流程可以被追蹤。

Agent 和聊天機器人有何不同？ Agent 會依目標選工具、保留狀態並執行多步驟，因此權限、成本、失敗與回退需要明確設計。

工具呼叫如何控風險？ 以最小權限、參數驗證、沙箱、人工確認與可逆操作限制模型能做的事情。

記憶和狀態要怎麼分？ 對話歷史、工作狀態、外部資料與長期偏好應分層儲存，並設定生命週期與刪除規則。

如何評估 Agent？ 同時看任務成功率、工具選擇、步數、延遲、成本、幻覺與安全違規，不要只看文字流暢度。

Deep Agents 類方法的取捨？ 更長流程能處理複雜任務，也增加上下文、權限與除錯成本，應以任務邊界和失敗代價決定。

Harrison Chase 路線的一句話總結？ 把 LLM 從一次回答變成可觀察、可授權、可測試且能持續運作的狀態工作流。

<

p class=”wp-block-paragraph”>Harrison Chase 在 2022 年底把一個 Python side project 推上 GitHub 時，LangChain 解決的是很直接的問題：大型語言模型開始變得可用，但開發者仍需要自己拼接 prompts、資料來源、工具與模型 API。四年後，LangChain 已經不再只是一套 chain library，而是被拆成 LangChain、LangSmith、LangGraph、Deep Agents 與 LangChain Labs 等不同層級。

理解 Harrison Chase 的價值，重點不是「他創辦了一家熱門 AI 新創」。更值得研究的是，他參與的產品路線反覆反映 Agent 工程最棘手的問題如何改變：先讓 LLM 能做事，再讓它可觀察、可控制、能長時間工作，最後還要能從實際使用資料持續改善。

• LangChain 最初是 Harrison Chase 在 2022 年底推出的個人 Python 專案；2023 年初，他與 Ankush Gola 成立 LangChain 公司。
• LangSmith 在 2023 年推出，處理 LLM application 的 tracing、debugging、testing、evaluation 與 monitoring。
• LangGraph 在 2024 年推出，核心是讓 Agent workflow 擁有更明確的 state、control、durable execution 與 human-in-the-loop。
• Harrison Chase 在 2025 年推出最初的 Deep Agents package，把 planning、filesystem、subagents 與詳細 context 整理成長任務 Agent harness。
• 2026 年 LangChain Labs 開始研究 continual learning，希望 Agent 能從 traces、feedback 與 eval data 持續改善。

文章實體化：Harrison Chase 與 LLM Agent

Harrison Chase 把 LLM 從一次問答推向可組合的 agent 系統：LangChain 提供模型、工具、提示與資料連接的元件，LangGraph 用圖結構處理狀態、分支、重試與人機介入，Deep Agents 則把多步規劃、工具使用與長任務執行推向更完整的應用框架。

• LangChain：理解模型、prompt、retriever、tool 與 memory 如何組成應用骨架。
• LangGraph：以節點、邊與狀態追蹤 agent 的循環、分支、失敗與人工批准。
• Deep Agents：看規劃、檔案、工具權限、長任務與評估如何決定 agent 是否可靠。

本文以「Harrison Chase、LangChain、LangGraph、Deep Agents、工具呼叫、狀態與多步任務」為主線，補回人物、組織、作品、技術節點、產業場景與它們之間的因果關係，讓讀者能從具名實體一路追到實際流程、文化語境與影響。

LangChain最初為什麼會在2022年底爆紅

LangChain 出現的時間點非常關鍵。

2022 年，大型語言模型已經可以生成程式、摘要文件與回答問題，但多數應用仍然只是一次 prompt、一次 model call。

如果開發者想讓模型查資料庫、讀 PDF、搜尋網路、呼叫 API、記住前文，再根據結果決定下一步，就需要自己把大量軟體元件接起來。

LangChain 最初的價值，就是把這些常見組合快速抽象成 reusable components。

LangChain 官方公司史記錄，專案最初只是 Harrison Chase 在 2022 年底從個人 GitHub 推出的 Python package；ChatGPT 上線後需求快速爆發，他再與 Ankush Gola 於 2023 年初建立公司。相關公司沿革可見 LangChain About。

LangChain後來為什麼反而被開發者批評

快速 abstraction 有代價。

Harrison Chase 在回顧 LangChain 三年發展時，直接列出早期使用者對 LangChain 的批評，包括 breaking changes、hidden prompts、package bloat、dependency conflicts 與 documentation 問題。相關回顧可見 Reflections on Three Years of Building LangChain。

更難處理的問題是：開發者開始要求更多 control。

在 prototype 階段，高階 abstraction 可以讓使用者用幾行程式快速做出 Agent。但當系統真正進入 production，開發者會開始追問：Prompt 到底怎麼組成？State 保存在哪裡？哪一步可以重試？Tool call 失敗怎麼恢復？哪些 context 被自動塞進模型？執行到付款或寄信前怎麼停下來？

高階 abstraction 反而可能讓系統變得難以理解。

這是 Harrison Chase 技術史中很有價值的一段：LangChain 後來的重要產品，很多都在解決早期 LangChain 自己暴露出的限制。

LangSmith先解決「Agent到底發生什麼」

LangSmith 在 2023 年 7 月推出 closed beta。

LangChain 當時對問題的描述很直接：產業障礙已經從「怎麼快速做出 LLM prototype」，變成「為什麼 prototype 只有部分時間正常工作」。相關公告可見 Announcing LangSmith。

傳統 deterministic software 可以透過 logs、tests 與 stack traces 找錯。Agent 的錯誤卻可能來自 prompt 變化、model output、retrieval、tool call、intermediate decision、context 與多步驟互動。

因此 Agent 開發需要完整 trace。

LangSmith 的意義就是把每個 model input、output 與中間步驟變成可以觀察、測試與比較的 execution record。2024 年 2 月，LangSmith 正式 GA。

這也是 Agent 軟體和一般 SaaS 開發開始分岔的一個節點：系統是否可靠，不能只看最終 API response。

LangGraph其實是LangChain對自己的修正

2024 年 1 月，LangChain 推出 LangGraph。

最初官方把它描述成一套支援 cyclical graph 的 Agent runtime，讓應用可以更自然地表示「模型做完一步，再根據結果決定下一步」這類循環流程。早期公告可見 LangGraph。

但 Harrison Chase 後來對 LangGraph 的解釋更值得注意。他明確表示，LangGraph 很大程度受到早期 LangChain 限制啟發。

核心有兩個方向：

• Controllability：沒有隱藏 prompt，也沒有隱藏 context engineering。開發者必須能精確知道 graph、state 與每一步行為。
• Runtime：把 streaming、statefulness、human-in-the-loop 與 durable execution 等 production 能力放進 runtime。

因此 LangGraph 的出現，可以理解成 Agent 開發從「快速組裝」進入「明確管理狀態與控制流」。YOLO LAB 已有一篇LangChain 和 LangGraph 差在哪？，那篇回答的是工具選型；這篇 Harrison Chase 人物稿則處理為什麼公司會做出這次架構分裂。

為什麼Agent後來需要runtime

早期 Agent 的典型架構很簡單：LLM → tool → observation → LLM → tool。

只要任務在幾秒內完成，失敗重新跑一次通常沒問題。

但 Agent 開始處理長時間研究、多文件分析、Coding、Browser operation、多代理協作、人工核准與外部系統修改後，就會遇到一般 prompt framework 解決不了的問題。

如果執行到第 37 步斷線，系統是否要從第一步開始？如果 Agent 已經寄出信件，重試會不會再寄一次？如果使用者必須在付款前核准，workflow 要怎麼暫停兩個小時再繼續？

這些問題需要 state、checkpoint 與 durable execution。LangGraph 的價值因此並非「Graph 比 Chain 高級」，而是 Agent 開始需要真正的 runtime。

LangSmith和LangGraph解決的是兩種不同問題

這兩個產品很容易被混在一起。

LangGraph回答：Agent接下來要怎麼執行？

LangSmith回答：Agent剛才到底做了什麼？

LangGraph 管理 state、execution 與 control flow；LangSmith 管理 traces、evaluation、debugging 與 production observation。

這也是 LangChain 軟體堆疊逐漸成形的關鍵：Agent 已經不再是一個 Python function，而是一套需要 runtime 與 observability 的應用系統。

Deep Agents代表下一個轉折：framework還不夠

2025 年 Harrison Chase 又提出 Deep Agents。

他觀察到 Claude Code、Deep Research、Manus 等可以處理長時間複雜任務的 Agent，往往具有幾個共同結構：planning tool、filesystem、subagents、detailed prompt。

於是他先建立 open-source deepagents package，把這些概念整理成可以重用的 Agent harness。相關說明可見 Deep Agents。

後來 LangChain 團隊進一步把 Deep Agents 發展成正式產品方向。

到 2025 年底，Harrison Chase 已經開始用三個詞區分整個軟體 stack：

• LangChain = Agent Framework：提供 models、tools、middleware 與 agent loop。
• LangGraph = Agent Runtime：處理 state、execution、persistence 與 orchestration。
• Deep Agents = Agent Harness：把 planning、filesystem、subagents、memory 與 context management 等長任務模式組成一套 opinionated environment。

Harrison Chase 對這套分類的說明可見 Agent Frameworks, Runtimes, and Harnesses。

YOLO LAB 已有完整的Deep Agents 怎麼設計？實作指南；Harrison Chase 人物稿會把那篇文章放回這段軟體歷史中。

Agent Harness為什麼突然變重要

模型能力提高之後，Agent 的 bottleneck 逐漸從「模型會不會回答」轉向：模型在什麼環境工作。

Coding Agent 就是最明顯例子。它除了模型，還需要 filesystem、shell、code search、compiler、tests、git、memory、permissions 與 task state。

這些外層結構會大幅影響模型表現。

因此 2025 到 2026 年間，Agent 工程開始大量討論 harness、context engineering、sandbox 與 long-horizon execution。若要延伸這一層，可閱讀 YOLO LAB 的Agent Harness 架構解析。

Harrison Chase如何看Context Engineering

2025 年後，Harrison Chase 也成為推廣「Context Engineering」概念的重要人物之一。

他的基本判斷是：Agent 行為不只由模型決定，context 中的 instructions、tool descriptions、memory、retrieved data、filesystem content 都會改變結果。LangChain 後續甚至把 Context Hub 做成 LangSmith 的一部分，用來保存、版本化與協作管理 Agent context。

這是 LangChain 從「Prompt 工具庫」發展到 Agent engineering platform 的另一個明顯轉折。

Prompt 只是輸入的一部分。Agent 真正需要管理的是整個工作環境中的資訊流。

2026年LangChain Labs開始研究「Agent能不能自己變好」

2026 年 5 月，Harrison Chase 宣布 LangChain Labs。

研究主題是 continual learning。

LangChain 的觀察是，production Agent 每天本來就會產生大量 traces、user feedback、eval results、failures、tool behavior、cost 與 latency。如果這些資料可以被系統化利用，Agent 就有機會在部署後繼續改進。

LangChain Labs 首批合作方包括 Harvey、NVIDIA、Prime Intellect、Fireworks 與 Baseten，研究方向包含評估、simulation、cost/latency tradeoff 與跨模型 prompt optimization。相關公告可見 Introducing LangChain Labs。

這代表 Harrison Chase 目前的問題已經再次改變。

• 2022 年：怎麼做出 LLM application？
• 2024 年：怎麼讓 Agent 可控、可觀察？
• 2025 年：怎麼讓 Agent 做更長、更複雜的任務？
• 2026 年：Agent 部署後能不能從自己的 execution data 持續改善？

LangChain現在還只是開源框架嗎

已經不是。

LangChain 官方現在把自己定位成 Agent Engineering Platform。

依公司自己的公開數據，LangChain open-source projects 已累計超過 10 億次下載，LangSmith 每日接收超過 10 億個 events，並被約 35% Fortune 500 使用。這些是 LangChain 自行公布的營運資料，適合用來說明平台規模，不代表第三方獨立市場調查。

今天 LangChain 的商業邏輯也比 2023 年清楚很多：Open source projects 用來探索 Agent architecture；LangSmith 則把 observability、evaluation、deployment 與 Agent development lifecycle 做成商業平台。

Harrison Chase為什麼是「軟體人物」而不是模型人物

前面幾篇 AI 人物稿裡，Alec Radford 處理預訓練、John Schulman 處理 reinforcement learning、Jason Wei 處理 reasoning、Thomas Wolf 處理模型開源與 distribution。

Harrison Chase 所處的位置不同。

他沒有設計一個 frontier foundation model。

他的核心問題是：怎麼讓模型真的成為軟體的一部分。

LLM 要接資料。Agent 要呼叫工具。長任務需要 state。Production 需要 tracing。高風險操作需要 human approval。複雜任務需要 filesystem 與 subagents。

這些問題都存在模型之外。

這也是 Harrison Chase 最適合被放進 YOLO LAB「重要軟體人物」矩陣的原因。

LangChain最大的技術價值可能是願意拆掉自己原本的抽象

從軟體史角度看，LangChain 有一個很值得研究的地方。

很多 framework 在爆紅之後，會試圖把所有功能繼續塞進原本抽象。

LangChain 後來走的是拆分。

• 需要 observability，就做 LangSmith。
• 需要低階控制，就做 LangGraph。
• 需要長任務完整工作環境，就做 Deep Agents。
• 需要持續改善，就成立 LangChain Labs。

這種產品演化同時也反映 Agent 生態本身還沒有完全定型。

Harrison Chase 的代表性更接近另一種軟體人物：快速把市場與開發者遇到的新問題轉換成下一層 abstraction。

為什麼2026年仍值得理解Harrison Chase

2026 年模型之間的能力差距仍然重要，但 Agent 的實際品質已經越來越取決於模型外層。

同一個模型放在兩個 Agent system 裡，可能因為 context、tools、state、sandbox、evals 與 harness 不同，得到完全不同的成功率。

這也是 Agent 工程開始脫離單純 Prompt Engineering 的原因。

Harrison Chase 過去四年的產品決策剛好完整記錄這個變化：LangChain → LangSmith → LangGraph → Deep Agents → LangChain Labs。

這條時間線真正說明的是，AI 軟體的問題已經從「如何呼叫模型」，進入「如何管理一個會自行決策、使用工具、持續執行，而且結果不完全確定的軟體系統」。

Harrison Chase常見問題

Harrison Chase是誰？

Harrison Chase 是 LangChain 共同創辦人兼 CEO。LangChain 最初是他在 2022 年底推出的 Python side project，之後與 Ankush Gola 在 2023 年初成立公司。

Harrison Chase發明LangChain嗎？

LangChain 最初的 open-source package 由 Harrison Chase 從個人 GitHub 推出；公司則是他與 Ankush Gola 共同建立。後續 LangChain、LangGraph、LangSmith 與 Deep Agents 都是大型團隊成果。

LangChain和LangGraph有什麼不同？

LangChain目前較接近高階 Agent framework；LangGraph則是處理 state、control flow、persistence、human-in-the-loop 與 durable execution 的 Agent runtime。

LangSmith是做什麼？

LangSmith 是 LangChain 的 Agent engineering platform，核心包含 tracing、debugging、evaluation、monitoring 等 production tools。它最初於 2023 年 7 月推出 closed beta。

Deep Agents是什麼？

Deep Agents 是 LangChain 的開源、model-agnostic Agent harness，最初聚焦 planning、filesystem、subagents 與 detailed prompts，後續持續加入更完整的長任務 Agent 能力。

LangChain Labs在做什麼？

LangChain Labs 是 2026 年成立的 applied research effort，主要研究 Agent continual learning，希望利用 traces、feedback 與 eval data 讓 Agent 在部署後持續改善。

資料來源

• LangChain：About
• Harrison Chase：Reflections on Three Years of Building LangChain
• LangChain：Announcing LangSmith
• LangChain：LangGraph
• Harrison Chase：Deep Agents
• Harrison Chase：Agent Frameworks, Runtimes, and Harnesses
• LangChain：Introducing LangChain Labs

Harrison Chase 的技術線可以濃縮成：LangChain → LangSmith → LangGraph → Deep Agents → LangChain Labs。

這五個節點對應五個不同問題：連接模型 → 看懂模型 → 控制 Agent → 支撐長任務 → 讓 Agent 持續改善。

這也是 Harrison Chase 在 AI 軟體史上最有價值的位置。

如果想延伸這個主題，可接著閱讀 Harrison Chase 如何用 LangChain 建立 Agent orchestration 與可觀測性？。

以下圖片取自 LangChain 官方三年回顧文章，補充本文對 Harrison Chase、LangChain、LangGraph 與 Deep Agents 演進的分析；圖片是官方專案回顧素材，不把它當成 Agent 執行流程或模型架構的示意圖。