LangChain 的「Deep Agents」到底是个啥？一句话讲透它的来龙去脉

前几天刷到 LangChain 官方开源了一个叫Deep Agents的包我第一反应是——又一个 agent 框架Agent 这两年是真卷疯了。但翻完它的 GitHub 仓库langchain-ai/deepagents[1]以及 LangChain 官方那篇博客之后我的判断变了这是 LangChain 1.x 体系里专门为「长时多步复杂任务」做的高层封装。一句话总结放最前面Deep Agents 跑在 LangGraph 上的「开箱即用型深度 agent 框架」本质是 LangChain**create_agent**工厂 一套打包好的中间件filesystem / subagent / todo / skills / summarization / patch_tool_calls。下面展开讲。先搞清楚你有没有被「shallow agents」坑过很多团队包括我之前自己搭的都掉过同一个坑搭一个简单的 ReAct 循环——LLM 思考、调工具、拿到结果再思考、再调工具——然后指望它能跑通复杂任务。结果呢任务一长就崩。上下文塞爆规划能力约等于零工具调飞了也收不回来子任务没法委派出去……你说气不气人明明模型挺聪明的搭出来的 agent 跟个智障一样。这就是 LangChain 文档里说的「shallow agents」——浅层 agent。朴素循环搞不定长时、多步、跨多工具的任务。Deep Agents 解决的正是这个具体的痛点。顺便吐槽一下当时我自己写 demo 的时候也试过搞事情结果发现上下文撑死 30 轮就开始胡说八道那感觉啧。说实话挺挫败的——折腾半天不如直接人肉写。Deep Agents 是个啥三层架构的最顶层LangChain 官方把自家产品体系画成了三层┌─────────────────────────────────────┐│ Deep Agents (Harness / 高层组合) │ ← predefined tools, prompts, subagents├─────────────────────────────────────┤│ LangChain (Framework / 抽象集成) │ ← abstractions, integrations├─────────────────────────────────────┤│ LangGraph (Runtime / 持久化运行时) │ ← durable execution, streaming, persistence└─────────────────────────────────────┘Deep Agents 处于最顶层。它不是替代 LangChain 或 LangGraph而是在它们之上做了一层开箱即用的封装。具体是什么封装9 项核心能力摘自 README 和源码graph.py[2]能力干啥用的Sub-agents通过内置task工具委派子智能体跑在隔离的上下文窗口里Virtual Filesystemls/read/write/edit/grep等工具底层用 LangGraph state 当存储Planningwrite_todos工具 TodoListMiddleware强制先规划再执行Context Management长线程摘要 大工具输出卸载到文件系统Shell Access沙箱内执行 shellPersistent Memory可插拔后端state / store / hub跨会话保留记忆Human-in-the-Loop工具调用前可批准/编辑/拒绝Skills按需加载的可复用行为模板MCP 集成通过langchain-mcp-adapters接入 Model Context Protocol一句话说这 9 项加起来就是 Claude Code 那一套工程实践被 LangChain 抽出来做成通用框架。它的三大支柱规划、子智能体、文件系统LangChain 官方博客把它的核心特征归结为四个长而详细的 system prompt、规划工具Todo 列表、子智能体、虚拟文件系统。我自己看了源码graph.py后最想拎出来说的其实是三大支柱——把这三个搞懂剩下六个能力都只是补充第一支柱Planning规划模型不再是「想到哪做到哪」而是必须先用write_todos工具写一份待办清单。这个清单由TodoListMiddleware强制维护模型每完成一步就要更新一下。这听起来土但它真的解决了长任务跑飞的核心问题。模型在第 30 步的时候还能看到自己当初的目标。我第一次看到这个机制的时候内心是拒绝的——「就这待办清单」。后来跑了个 50 步的研究任务才被打脸。不服不行。第二支柱Sub-agents子智能体模型可以通过内置的task工具把子任务派给子智能体。关键是子智能体跑在独立的上下文窗口里父 agent 不会被它那一堆中间步骤污染上下文。这玩意儿我个人觉得是 Deep Agents 最值钱的设计。我自己用 ReAct 循环硬塞上下文的时候最头疼的就是「中间步骤太多主线被淹没了」。Sub-agents 干脆把这个问题从架构层面解决了。以前我为了规避这个问题只能手写一套汇总-压缩机制——效果嘛凑合能用但维护起来是真烦。改需求的时候想死的心都有。第三支柱Virtual Filesystem虚拟文件系统Deep Agents 给 agent 提供了ls/read/write/edit/grep这些文件工具。但注意——底层不是真的文件系统而是 LangGraph 的 state。好处是文件操作天然支持 checkpoint 和持久化。坏处是大文件塞 state 会爆内存所以官方提供了 4 种后端让你按需切换•StateBackend线程级临时空间•StoreBackend跨线程持久化•CompositeBackend默认推荐按路径前缀路由典型用法把/memories/路由到 StoreBackend•ContextHubBackend持久化到 LangSmith Hub 仓库这就是它比 LangChain 原生create_agent多出来的东西。原生create_agent只给你一个空壳Deep Agents 把上面这三件套全预装好了。它和 LangChain、LangGraph 到底啥关系这一段我必须拎出来单独讲——因为外面很多文章把这一坨关系讲得稀烂。依赖链是这样的直接看pyproject.toml源码deepagents → langchain.create_agent → langgraph (CompiledStateGraph)具体来说•Deep Agents 直接依赖 LangChainlangchain1.3.10, 2.0.0源码里写死了from langchain.agents import AgentState, create_agent。•Deep Agents 构建在 LangGraph 之上README 自述 “Production-ready — built on LangGraph (streaming, persistence, checkpointing)”。虚拟文件系统直接利用 LangGraph state 当底层。•Deep Agents 不直接用**langgraph-prebuilt.create_react_agent**那是 LangGraph 1.x 时代的低层 helper现在被 LangChain 1.0 重写后的新工厂函数create_agent取代了。容易混淆的点我自己一开始也绕了一会儿「create_react_agent和create_agent是不是同一个东西」不是。create_react_agent是 LangGraph 时代LangGraph 0.x / 1.x 早期的低层 helperLangChain 1.0 之后被langchain.agents.create_agent取代——后者底层也是 LangGraph但是更高层的 API。Deep Agents 走的是create_agent这条线。说实话这个命名是真的坑——LangChain 1.0 把 API 改了文档却没怎么提迁移路径第一次接触的人 100% 会被绕晕。我当时翻了好久才搞明白为啥这俩函数看起来都叫 “create agent”。所以正确的层级图应该是你的代码create_deep_agent(...) │ ▼LangChain 1.xcreate_agent(...) ← 工厂函数 │ ▼LangGraph CompiledStateGraph / Checkpointer ← 运行时一句话总结Deep Agents 是 LangChain 1.x 体系下的官方 agent 栈顶产品LangGraph 提供底层持久化和流式能力。跟 Anthropic 的 Claude Code 啥关系避坑指南这点是最容易踩坑的——我之前在某个群里看到有人言之凿凿说「Deep Agents 就是 Anthropic 那篇论文的开源实现」差点没把咖啡喷出来。Deep Agents 的 README 第一句话“Inspired by Claude Code: an attempt to identify what makes it general-purpose, and push that further.”也就是说设计灵感明确来自 Anthropic 的 Claude Code。这不是秘密LangChain 官方博客也确认了。但是有个常见的误解必须澄清——很多人以为 Deep Agents 是 LangChain 对某篇 Anthropic 论文/博客提出的「deep agents」模式的工程实现。我去翻了 Anthropic 官方那篇 2024-12 的工程博客「Building Effective Agents」[3]发现一个关键事实那篇文章全篇没有出现过 “deep agents”、“subagents”、“virtual filesystem” 这三个术语。Anthropic 用的表述是 “orchestrator-workers”、“agentic systems” 这种更通用的词。所以**「deep agents」这个术语是 LangChain 自己起的品牌词不是从 Anthropic 那里继承来的**。LangChain 从 Claude Code 这个产品的工程实践中提炼出模式然后命名为 deep agents做成了通用框架。至于 Claude Code 营销页那句「executing across 10s to 100s of parallel subagents」——那是营销文案不是技术规格别拿这个当 benchmark。说真的我一开始也以为是 Anthropic 先提的概念结果翻完 Anthropic 公开材料后才发现是 LangChain 自创。有点小意外但仔细想想也合理——Anthropic 的风格是「不喊口号闷头做产品」。这种人最难对付你只能从产品里反推他在想啥。上手pip install 一行起跑这部分最简单。PyPI 包名就叫deepagentspip install deepagents最小代码示例来自 README Quickstartfrom deepagents import create_deep_agentagent create_deep_agent( tools[你的工具列表], system_prompt..., modelanthropic:claude-sonnet-4-6,)result agent.invoke({messages: [{role: user, content: ...}]})进阶用法• 注入子智能体subagents[SubAgent(name..., system_prompt..., tools...)]• 注入文件系统后端backendCompositeBackend(default..., routes{/memories/: StoreBackend(...)})• 接 MCP 工具from langchain_mcp_adapters import ...顺手提一嘴仓库里还有个libs/code/包名deepagents-code代号dcode——是预构建的终端编码 agent受 Claude Code 和 Cursor 启发。安装命令有点野curl -LsSf https://langch.in/dcode | bash看到这个 curl 安装方式懂的都懂安全洁癖的人大概会皱眉头。生产环境慎用。适用场景 我自己的边界判断推荐用的场景• ✅ 长时多步研究任务需要规划、迭代、跨多步工具调用• ✅ 跨多个工具的复杂工作流比如先搜再算再写• ✅ 需要任务分解与子任务委派的场景• ✅ 需要跨会话持久化记忆 人审环节的 agent• ✅ 沙箱内执行 shell/文件操作的编码/研究型 agent不推荐用的场景• ❌ 简单一次性问答或单轮工具调用——直接用 LangChain 原生create_agent就行Deep Agents 中间件栈太重杀鸡用牛刀的典型。• ❌ 极低延迟 / 极小依赖要求的场景——它拖一堆中间件不划算。• ❌ 需要与其他 agent 生态autogen / crewai / smolagents 等深度互通的场景——Deep Agents 深度绑定 LangChain 生态硬塞进去只会给自己添堵。安全模型必须知道的点这块我必须强调因为见过太多翻车的README 安全章节明确写「trust the LLM」——意思是安全边界必须在工具/沙箱层强制不能指望模型自律。生产部署必须配置 LangSmith Deployment 或者自建沙箱。血的教训之前我有个同事觉得模型挺听话的直接给生产 agent 挂了删库的 shell 工具没加白名单。结果一觉醒来发现测试 agent 把演示数据库给折腾没了。那天他差点被开。模型自律个屁得你自己卡死边界。跟 autogen / crewai / smolagents 比呢这问题被问过很多次但说实话——Deep Agents 官方仓库没有给出正式对比表。下面是结合社区资料的合理推断框架核心理念生态归属Deep AgentsOpinionated harness开箱即用LangChain 生态autogen多智能体对话协议Actor Model 风格微软crewai角色扮演 Crew 编排独立smolagents极简代码量单文件可读HuggingFaceOpenAI Swarm极轻量 handoffOpenAI已基本停止维护Deep Agents 的差异化锚点深度绑定 LangChain 生态 默认打包完整中间件栈 后端可插拔。但跨框架的横向 benchmark任务成功率、token 成本、延迟官方目前没给。这块得自己测——别被 PPT 忽悠瘸了。顺便说一句autogen 那帮人最近动静不大crewai 倒是营销做得飞起smolagents 走极简路线口碑还行。框架这事儿啊三分靠技术七分靠生态选之前最好先看看团队里有没有人熟。写在最后Deep Agents 不是又一个 agent 框架——它是 LangChain 在 1.x 体系成熟后给出的「深度 agent 的官方参考实现」。如果你的任务是短平快的工具调用用 LangChain 原生create_agent就够了。但如果你要让 agent跑长时、多步、复杂的研究/编码任务需要规划、文件、子智能体、HITL 这一整套机制打包好——Deep Agents 值得认真评估。至少看完 README 那 9 项核心能力之后我自己心里有个判断这个框架的边界感比 autogen / crewai 更清晰——它清楚自己不解决万能 agent问题只解决长时多步任务的工程化问题。至于能不能打——这事还得拉出来跑一跑才能下结论。别瞎吹也别一棒子打死。我个人的态度是先把它扔到生产环境里跑一个月看它能扛住多少妖魔鬼怪再说。这种框架最怕的就是——文档看着挺唬人真用起来一地鸡毛。咱搞技术的都知道PPT 和 demo 谁都会写上了生产才知道谁在裸泳。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】