开始：从第一个 Agent 到选型
第一次使用 LangChain v1，先跑通一个不需要 API Key 的 Agent，再根据控制粒度选择 create_agent、LangGraph 或 Deep Agents。每一步都在固定版本下实际运行过。
从哪一步开始
| 目标 | 从这里开始 |
|---|---|
| 先跑通：没写过 LangChain，想先运行一个例子 | 第一个智能体 |
再选型：已经会用 create_agent，在比较实现层级 | create_agent 还是 LangGraph |
| 复杂任务再升级：任务很长、工具返回很大，在考虑 Deep Agents | Deep Agents、create_agent、LangGraph 怎么选 |
| 手上是旧教程或旧项目，代码跑不通 | 排障与迁移，从“旧项目升级到 v1”开始 |
| 想看完整的构建与上线流程 | 构建、上线 |
在本机运行第一个 Agent
在固定版本下跑通 create_agent，看清一次调用里模型收到了什么，再在三种实现层级中选定起点。
- LangChain v1 入门：用 create_agent 跑通第一个智能体（无需 API Key）
跑通 create_agent，弄清每一轮模型收到几条消息，避开会让问题悄悄丢失的 {"input": ...} 写法。
- create_agent 还是 LangGraph？同一任务两种实现的选型决策表
按判断表确定自己的需求该用 create_agent 还是直接用 LangGraph。
- Deep Agents、create_agent、LangGraph 怎么选：同一任务的实测对比
在 create_agent、LangGraph、Deep Agents 中选定起点，并写下出现什么信号时该换。
开始之前
- 示例面向 LangChain v1 与 LangGraph（Python）。每篇开头都写着验证日期和包版本；你用的版本不一样时，先重跑一遍实验，再决定要不要采用结论。
- 实验用的是脚本化模型、本地模拟服务或纯导入检查，不需要真实 API Key。它们能说明框架和流程的行为，说明不了某个真实模型的效果。
- 内容怎么验证、哪些部分有 AI 参与、发现错误怎么反馈，见编辑与纠错说明。