部署其他框架

LangSmith Deployment 支持任何框架。对于不是基于 Deep Agents、LangChain 或 LangGraph 构建的智能体，可以使用 deployments-wrap-sdk 包（Google ADK），或使用 LangGraph Functional API（Claude Agent SDK、Strands、CrewAI、AutoGen 及其他库）进行部署。

对于新项目，可以考虑使用 Deep Agents。它是一个开源智能体框架，支持智能体进行规划、使用工具、委派任务给子智能体，以及处理长期任务。Deep Agents 可以直接部署到 LangSmith Deployment；如果需要完全托管的运行时环境，可以使用 Managed Deep Agents。

支持的框架

以下框架在本指南中提供了端到端示例。每个示例都会从 agent.py 导出一个兼容 LangGraph 的图，供 Agent Server 提供服务：

没有看到你使用的框架？Functional API 接受任何可调用对象，因此你可以将以下示例中的相同模式应用于任何智能体库。使用 @task 和 @entrypoint 包装智能体的入口点，然后进行部署。

Functional API 的工作原理

当一个运行请求到达由 Functional API 包装的智能体所在的 Agent Server 时：

平台会调用使用 @entrypoint 装饰的 agent 函数，并传入本次运行的输入，以及同一线程之前轮次保存的状态（通过 previous 参数传入）。
入口点会调用使用 @task 装饰的函数，该函数负责将任务委派给框架智能体（Claude Agent SDK、Strands、CrewAI、AutoGen 或其他库）。
入口点返回 entrypoint.final(value=..., save=...)。其中，value 是本轮的响应；save 是检查点状态，将在下一轮作为 previous 使用。
Agent Server 会持久化检查点，在支持时流式传输部分输出，并在配置了追踪后记录追踪信息。

这种模式可以保留框架自身的执行语义，同时提供标准的 Agent Server 功能：持久化运行、跨线程持久化、流式端点，以及 LangSmith 可观测性。

前提条件

无论使用哪种框架，都需要：

Functional API 框架需要 Python 3.10+（Strands Agents 支持 Python 3.9+）
一个 LangSmith API 密钥

通用部署模式

每个框架都遵循相同的步骤。在每个步骤的选项卡中选择你的技术栈，将代码片段合并到同一个模块中（例如 agent.py），并将使用 @entrypoint 装饰的函数导出为模块级变量 agent。端到端示例部分展示了可以直接复制的完整文件。

Install dependencies

安装框架所需的 Python 包，以及 LangGraph 和 LangSmith。

Claude Agent SDK
Strands Agents
CrewAI
AutoGen

对于 Claude Agent SDK：

pip install "langsmith[claude-agent-sdk]" langgraph "langgraph-cli[inmem]"

在环境中设置 ANTHROPIC_API_KEY。有关 Anthropic API 密钥的信息，请参阅 Claude 控制台。

对于 Strands Agents：

pip install strands-agents strands-agents-tools langgraph "langsmith[strands-agents]" "langgraph-cli[inmem]"

如果使用 Amazon Bedrock 作为模型提供商，请配置 AWS 凭证。

对于 CrewAI：

pip install crewai langgraph langsmith opentelemetry-instrumentation-crewai opentelemetry-instrumentation-openai "langgraph-cli[inmem]"

在环境中设置 LLM 提供商凭证（例如，如果使用基于 OpenAI 的模型，则设置 OPENAI_API_KEY）。

对于 AutoGen：

pip install autogen-agentchat autogen-ext langgraph langsmith opentelemetry-instrumentation-openai "langgraph-cli[inmem]"

在环境中设置 OPENAI_API_KEY（或你的模型提供商凭证）。

Define your agent

使用你选择的框架构建智能体，就像在 LangSmith 之外构建时一样。

Claude Agent SDK
Strands Agents
CrewAI
AutoGen

from claude_agent_sdk import ClaudeAgentOptions

options = ClaudeAgentOptions(
    model="claude-sonnet-4-6",
    system_prompt="你是一个乐于助人的助手。",
)

from strands import Agent

strands_agent = Agent(
    system_prompt="你是一个乐于助人的助手。",
    model="us.anthropic.claude-sonnet-4-20250514-v1:0",
)

from crewai import Agent as CrewAgent, Crew, Task

researcher = CrewAgent(role="研究员", goal="研究一个主题", backstory="资深研究员。")
crew = Crew(
    agents=[researcher],
    tasks=[Task(description="{topic}", agent=researcher, expected_output="一份简短的报告。")],
)

from autogen_agentchat.agents import AssistantAgent
from autogen_ext.models.openai import OpenAIChatCompletionClient

assistant = AssistantAgent(
    name="assistant",
    model_client=OpenAIChatCompletionClient(model="gpt-4o"),
)

Wrap with the Functional API

通过一个名为 agent、使用 @entrypoint 装饰的函数公开你的智能体。在函数内部，使用 @task 定义调用框架的工作单元。使用 entrypoint.final() 返回响应，并在同一线程的多轮交互中持久化对话历史。

Claude Agent SDK
Strands Agents
CrewAI
AutoGen

import operator

from claude_agent_sdk import ClaudeSDKClient
from langgraph.func import entrypoint, task

@task
async def invoke_claude(prompt: str) -> str:
    async with ClaudeSDKClient(options=options) as client:
        await client.query(prompt)
        chunks: list[str] = []
        async for message in client.receive_response():
            chunks.append(str(message))
        return "\n".join(chunks)

@entrypoint()
async def agent(messages: list[dict], previous: list[dict] | None = None):
    history = operator.add(previous or [], messages)
    prompt = history[-1]["content"]
    response = await invoke_claude(prompt)
    new_message = {"role": "assistant", "content": response}
    return entrypoint.final(
        value=[new_message],
        save=operator.add(history, [new_message]),
    )

import operator

from langgraph.func import entrypoint, task
from strands.types.content import Message

@task
def invoke_strands(messages: list[Message]):
    result = strands_agent(messages)
    return [result.message]

@entrypoint()
def agent(messages: list[Message], previous: list[Message] | None = None):
    messages = operator.add(previous or [], messages)
    response = invoke_strands(messages).result()
    return entrypoint.final(value=response, save=operator.add(messages, response))

import operator

from langgraph.func import entrypoint, task

@task
def run_crew(topic: str) -> str:
    return str(crew.kickoff(inputs={"topic": topic}))

@entrypoint()
def agent(messages: list[dict], previous: list[dict] | None = None):
    history = operator.add(previous or [], messages)
    response = run_crew(history[-1]["content"]).result()
    new_message = {"role": "assistant", "content": response}
    return entrypoint.final(value=[new_message], save=operator.add(history, [new_message]))

import operator

from langgraph.func import entrypoint, task

@task
async def invoke_autogen(prompt: str) -> str:
    result = await assistant.run(task=prompt)
    return result.messages[-1].content

@entrypoint()
async def agent(messages: list[dict], previous: list[dict] | None = None):
    history = operator.add(previous or [], messages)
    response = await invoke_autogen(history[-1]["content"])
    new_message = {"role": "assistant", "content": response}
    return entrypoint.final(value=[new_message], save=operator.add(history, [new_message]))

Configure tracing

将框架原生的追踪信息转发到 LangSmith。在应用启动时、创建或调用智能体之前调用一次追踪配置。

Claude Agent SDK
Strands Agents
CrewAI
AutoGen

from langsmith.integrations.claude_agent_sdk import configure_claude_agent_sdk

configure_claude_agent_sdk()

有关完整的设置详情，请参阅追踪 Claude Agent SDK 应用。

设置你的 LangSmith API 密钥和项目名称。如果使用 Amazon Bedrock，还需要配置 AWS 凭证。

from langsmith.integrations.strands_agents import setup_langsmith_telemetry

setup_langsmith_telemetry()

如果你正在自行托管 LangSmith，请为你的部署配置 OpenTelemetry OTLP 端点和请求头。请参阅追踪 Strands Agents 应用。

Strands 的 OTel 追踪包含同步代码。在部署到 Agent Server 时，可能需要设置 BG_JOB_ISOLATED_LOOPS=true。请参阅 BG_JOB_ISOLATED_LOOPS。

有关完整的设置详情，请参阅追踪 Strands Agents 应用。

向 CrewAI 和 OpenAI instrumentor 注册 LangSmith span processor：

from langsmith.integrations.otel import OtelSpanProcessor
from opentelemetry import trace
from opentelemetry.instrumentation.crewai import CrewAIInstrumentor
from opentelemetry.instrumentation.openai import OpenAIInstrumentor
from opentelemetry.sdk.trace import TracerProvider

current_provider = trace.get_tracer_provider()
if isinstance(current_provider, TracerProvider):
    tracer_provider = current_provider
else:
    tracer_provider = TracerProvider()
    trace.set_tracer_provider(tracer_provider)

tracer_provider.add_span_processor(OtelSpanProcessor())
CrewAIInstrumentor().instrument(tracer_provider=tracer_provider)
OpenAIInstrumentor().instrument(tracer_provider=tracer_provider)

有关完整的设置详情，请参阅追踪 CrewAI 应用。

向 OpenAI instrumentor 注册 LangSmith span processor：

from langsmith.integrations.otel import OtelSpanProcessor
from opentelemetry import trace
from opentelemetry.instrumentation.openai import OpenAIInstrumentor
from opentelemetry.sdk.trace import TracerProvider

tracer_provider = TracerProvider()
tracer_provider.add_span_processor(OtelSpanProcessor())
trace.set_tracer_provider(tracer_provider)
OpenAIInstrumentor().instrument()

有关完整的设置详情，请参阅追踪 AutoGen 应用。

端到端示例

以下示例将智能体定义、Functional API 包装、追踪配置以及 agent 符号导出整合到单个 agent.py 文件中。选择与你使用的框架对应的选项卡。

Claude Agent SDK
Strands Agents
CrewAI
AutoGen

agent.py

import operator

from claude_agent_sdk import ClaudeAgentOptions, ClaudeSDKClient
from langgraph.func import entrypoint, task
from langsmith.integrations.claude_agent_sdk import configure_claude_agent_sdk

configure_claude_agent_sdk()

options = ClaudeAgentOptions(
    model="claude-sonnet-4-6",
    system_prompt="你是一个乐于助人的助手。",
)

@task
async def invoke_claude(prompt: str) -> str:
    async with ClaudeSDKClient(options=options) as client:
        await client.query(prompt)
        chunks: list[str] = []
        async for message in client.receive_response():
            chunks.append(str(message))
        return "\n".join(chunks)

@entrypoint()
async def agent(messages: list[dict], previous: list[dict] | None = None):
    history = operator.add(previous or [], messages)
    prompt = history[-1]["content"]
    response = await invoke_claude(prompt)
    new_message = {"role": "assistant", "content": response}
    return entrypoint.final(
        value=[new_message],
        save=operator.add(history, [new_message]),
    )

agent.py

import operator

from langgraph.func import entrypoint, task
from langsmith.integrations.strands_agents import setup_langsmith_telemetry
from strands import Agent
from strands.types.content import Message

setup_langsmith_telemetry()

strands_agent = Agent(
    system_prompt="你是一个乐于助人的助手。",
    model="us.anthropic.claude-sonnet-4-20250514-v1:0",
)

@task
def invoke_strands(messages: list[Message]):
    result = strands_agent(messages)
    return [result.message]

@entrypoint()
def agent(messages: list[Message], previous: list[Message] | None = None):
    messages = operator.add(previous or [], messages)
    response = invoke_strands(messages).result()
    return entrypoint.final(value=response, save=operator.add(messages, response))

agent.py

import operator

from crewai import Agent as CrewAgent, Crew, Task
from langgraph.func import entrypoint, task
from langsmith.integrations.otel import OtelSpanProcessor
from opentelemetry import trace
from opentelemetry.instrumentation.crewai import CrewAIInstrumentor
from opentelemetry.instrumentation.openai import OpenAIInstrumentor
from opentelemetry.sdk.trace import TracerProvider

current_provider = trace.get_tracer_provider()
if isinstance(current_provider, TracerProvider):
    tracer_provider = current_provider
else:
    tracer_provider = TracerProvider()
    trace.set_tracer_provider(tracer_provider)

tracer_provider.add_span_processor(OtelSpanProcessor())
CrewAIInstrumentor().instrument(tracer_provider=tracer_provider)
OpenAIInstrumentor().instrument(tracer_provider=tracer_provider)

researcher = CrewAgent(role="研究员", goal="研究一个主题", backstory="资深研究员。")
crew = Crew(
    agents=[researcher],
    tasks=[Task(description="{topic}", agent=researcher, expected_output="一份简短的报告。")],
)

@task
def run_crew(topic: str) -> str:
    return str(crew.kickoff(inputs={"topic": topic}))

@entrypoint()
def agent(messages: list[dict], previous: list[dict] | None = None):
    history = operator.add(previous or [], messages)
    response = run_crew(history[-1]["content"]).result()
    new_message = {"role": "assistant", "content": response}
    return entrypoint.final(value=[new_message], save=operator.add(history, [new_message]))

agent.py

import operator

from autogen_agentchat.agents import AssistantAgent
from autogen_ext.models.openai import OpenAIChatCompletionClient
from langgraph.func import entrypoint, task
from langsmith.integrations.otel import OtelSpanProcessor
from opentelemetry import trace
from opentelemetry.instrumentation.openai import OpenAIInstrumentor
from opentelemetry.sdk.trace import TracerProvider

tracer_provider = TracerProvider()
tracer_provider.add_span_processor(OtelSpanProcessor())
trace.set_tracer_provider(tracer_provider)
OpenAIInstrumentor().instrument()

assistant = AssistantAgent(
    name="assistant",
    model_client=OpenAIChatCompletionClient(model="gpt-4o"),
)

@task
async def invoke_autogen(prompt: str) -> str:
    result = await assistant.run(task=prompt)
    return result.messages[-1].content

@entrypoint()
async def agent(messages: list[dict], previous: list[dict] | None = None):
    history = operator.add(previous or [], messages)
    response = await invoke_autogen(history[-1]["content"])
    new_message = {"role": "assistant", "content": response}
    return entrypoint.final(value=[new_message], save=operator.add(history, [new_message]))

每个示例都有两点非常重要：

在模块级别将使用 @entrypoint 装饰的函数导出为 agent。Agent Server 在提供图服务时会导入此符号。
返回带有 save 参数的 entrypoint.final()，这样对话状态才能在同一线程的多轮交互中持久化。

项目结构

一个可部署的项目需要包含以下文件：

my-agent/
├── agent.py              # 导出智能体图
├── langgraph.json        # Agent Server 配置
├── pyproject.toml        # Python 依赖
└── .env                  # 提供商凭证和 LangSmith 变量

langgraph.json 将 Agent Server 指向导出的符号：

Claude Agent SDK
Strands Agents
CrewAI
AutoGen

langgraph.json

{
  "$schema": "https://langgra.ph/schema.json",
  "dependencies": ["."],
  "graphs": {
    "claude_agent": "./agent.py:agent"
  },
  "env": ".env"
}

pyproject.toml

[project]
name = "my-claude-agent"
version = "0.0.1"
requires-python = ">=3.10"
dependencies = [
    "langsmith[claude-agent-sdk]>=0.3.0",
    "langgraph>=0.4.0",
]

.env

LANGSMITH_API_KEY=your-langsmith-api-key
LANGSMITH_TRACING=true
LANGSMITH_PROJECT=my-claude-agent
ANTHROPIC_API_KEY=your-anthropic-api-key

langgraph.json

{
  "$schema": "https://langgra.ph/schema.json",
  "dependencies": ["."],
  "graphs": {
    "strands_agent": "./agent.py:agent"
  },
  "env": ".env"
}

pyproject.toml

[project]
name = "my-strands-agent"
version = "0.0.1"
requires-python = ">=3.9"
dependencies = [
    "strands-agents>=0.1.0",
    "strands-agents-tools>=0.1.0",
    "langsmith[strands-agents]>=0.3.0",
    "langgraph>=0.4.0",
]

.env

LANGSMITH_API_KEY=your-langsmith-api-key
LANGSMITH_TRACING=true
LANGSMITH_PROJECT=my-strands-agent
OTEL_EXPORTER_OTLP_ENDPOINT=https://api.smith.langchain.com/otel/v1/traces
OTEL_EXPORTER_OTLP_HEADERS=x-api-key=your-langsmith-api-key,Langsmith-Project=my-strands-agent
AWS_REGION=your-aws-region
AWS_PROFILE=your-aws-profile

langgraph.json

{
  "$schema": "https://langgra.ph/schema.json",
  "dependencies": ["."],
  "graphs": {
    "crewai_agent": "./agent.py:agent"
  },
  "env": ".env"
}

pyproject.toml

[project]
name = "my-crewai-agent"
version = "0.0.1"
requires-python = ">=3.10"
dependencies = [
    "crewai>=0.100.0",
    "langgraph>=0.4.0",
    "langsmith>=0.3.0",
    "opentelemetry-instrumentation-crewai>=0.1.0",
    "opentelemetry-instrumentation-openai>=0.1.0",
]

.env

LANGSMITH_API_KEY=your-langsmith-api-key
LANGSMITH_PROJECT=my-crewai-agent
OPENAI_API_KEY=your-openai-api-key

langgraph.json

{
  "$schema": "https://langgra.ph/schema.json",
  "dependencies": ["."],
  "graphs": {
    "autogen_agent": "./agent.py:agent"
  },
  "env": ".env"
}

pyproject.toml

[project]
name = "my-autogen-agent"
version = "0.0.1"
requires-python = ">=3.10"
dependencies = [
    "autogen-agentchat>=0.4.0",
    "autogen-ext>=0.4.0",
    "langgraph>=0.4.0",
    "langsmith>=0.3.0",
    "opentelemetry-instrumentation-openai>=0.1.0",
]

.env

LANGSMITH_API_KEY=your-langsmith-api-key
LANGSMITH_PROJECT=my-autogen-agent
OPENAI_API_KEY=your-openai-api-key

安装依赖

在项目目录中：

pip install -e .

启用追踪

使用项目结构中的框架专用 .env 模板。当 langgraph.json 中设置 "env": ".env" 时，Agent Server 会加载此文件。在该文件中设置 LANGSMITH_PROJECT 和框架提供商凭证。对于 Claude Agent SDK 和 Strands Agents，还需要设置 LANGSMITH_TRACING=true。对于 CrewAI 和 AutoGen，追踪通过 agent.py 中的 OtelSpanProcessor() 和框架 instrumentor 启用，因此只需设置 LANGSMITH_API_KEY 和 LANGSMITH_PROJECT。追踪信息会在 LangSmith UI 中展示智能体调用、工具调用和 LLM 交互。有关框架专用的追踪选项，请参阅配置追踪中的链接。

本地运行

使用 LangGraph CLI 启动本地 Agent Server：

langgraph dev

如果 langgraph dev 报告缺少 langgraph-api，请在同一环境中安装 langgraph-cli[inmem]。

该命令会在 http://127.0.0.1:2024 提供智能体服务，并打开 LangSmith Studio。使用 curl 发送请求：

langgraph dev 可能会使用其他端口。请检查终端输出中的 URL，并在需要时更新下面的 curl 命令。

Claude Agent SDK, CrewAI, AutoGen
Strands Agents

# Create a thread
THREAD=$(curl -s -X POST http://127.0.0.1:2024/threads \
  -H "Content-Type: application/json" -d '{}' | python -c "import sys, json; print(json.load(sys.stdin)['thread_id'])")

# Run the agent and wait for the final response
curl -s -X POST "http://127.0.0.1:2024/threads/$THREAD/runs/wait" \
  -H "Content-Type: application/json" \
  -d '{
    "assistant_id": "ASSISTANT_ID",
    "input": [{"role": "user", "content": "Hello"}]
  }'

# Create a thread
THREAD=$(curl -s -X POST http://127.0.0.1:2024/threads \
  -H "Content-Type: application/json" -d '{}' | python -c "import sys, json; print(json.load(sys.stdin)['thread_id'])")

# Run the agent and wait for the final response
curl -s -X POST "http://127.0.0.1:2024/threads/$THREAD/runs/wait" \
  -H "Content-Type: application/json" \
  -d '{
    "assistant_id": "ASSISTANT_ID",
    "input": [
      {
        "role": "user",
        "content": [
          {"type": "text", "text": "Hello"}
        ]
      }
    ]
  }'

如果此请求因 NoCredentialsError 失败，请为你的模型提供商配置 AWS 凭证（例如 AWS_PROFILE，或 AWS_ACCESS_KEY_ID 和 AWS_SECRET_ACCESS_KEY），然后重新启动 langgraph dev。

将 ASSISTANT_ID 替换为 langgraph.json 中 graphs 对象的图键。例如，如果配置为 "graphs": {"claude_agent": "./agent.py:agent"}，则使用 claude_agent；如果配置为 "graphs": {"strands_agent": "./agent.py:agent"}，则使用 strands_agent。

部署前，请验证 LangGraph API 是否能在本地运行。如果 langgraph dev 失败，部署到 LangSmith 也会失败。

部署到 LangSmith

智能体在本地运行后，使用 langgraph deploy 进行部署：

langgraph deploy --name my-agent

有关环境配置、部署类型和修订版本管理，请参阅部署到云端。有关自行托管的设置，请参阅自行托管部署。如果不使用控制平面、仅通过 Docker 托管，请参阅独立部署。

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.

Edit this page on GitHub or file an issue.

Deployment components

Develop & test

Frameworks and platforms

Reference

支持的框架

Functional API 的工作原理

前提条件

通用部署模式

端到端示例

项目结构

安装依赖

启用追踪

本地运行

部署到 LangSmith

​支持的框架

​Functional API 的工作原理

​前提条件

​通用部署模式

​端到端示例

​项目结构

​安装依赖

​启用追踪

​本地运行

​部署到 LangSmith

支持的框架

Functional API 的工作原理

前提条件

通用部署模式

端到端示例

项目结构

安装依赖

启用追踪

本地运行

部署到 LangSmith