Deep Agents：LangChain 的开源 Agent Harness，让复杂任务跑稳了

为什么你的 Agent 总是在”跑起来”这一步挂掉？

搭 Agent 这件事，2023 年大家觉得是”调个 API”就行；2024 年开始用 LangGraph、ADK 精细控制；但真正到了”让它稳定跑完一个复杂任务”这个阶段，工程复杂度直接爆炸——断点续跑、文件系统隔离、Subagent 上下文管理、长期记忆……每一样都是坑。

LangChain 最新开源的 Deep Agents 就是来解决这个问题的。

一句话定位

Deep Agents 是一个开源 Agent Harness——把”让 LLM 循环调用工具“这件事包装成一个开箱即用的完整运行时。官方定位是”batteries-included agent harness”，意思是你装上就能跑，不用自己组装基础设施。

核心能力拆解

• Planning：内置 write_todos 工具，Agent 能把复杂任务拆解成步骤并跟踪进度
• Subagents：能派生出子 Agent，在独立上下文里处理子任务，主 Agent 上下文不被污染
• Filesystem：读写/编辑/搜索文件，支持本地、虚拟、S3 等多种后端
• Shell 访问：在隔离沙盒里执行命令，不怕把本地系统搞崩
• 持久化记忆：跨会话记住关键信息，下次启动还能调取
• Human-in-the-loop：工具调用前可以审批，防止 Agent 乱来
• Skills 系统：按需加载行为剧本，支持上下文渐进式披露

怎么用

装好 deepagents 后，三行代码就能跑起来：

from deepagents import create_deep_agent
agent = create_deep_agent(model="openai:gpt-4o", tools=[my_tool])
result = agent.invoke({"messages": [...]})

底层跑的是 LangGraph，所以streaming、checkpoint、LangSmith 追踪这些生产级能力全都有。它是模型无关的，支持任何支持 tool calling 的 LLM。

为什么值得关注

Claude Code、Manus、Deep Research 这些产品背后，其实都有一套”Agent Harness”在支撑——把规划、文件系统、子 Agent、长期记忆这些能力打包在一起。Deep Agents 是 LangChain 把这套工程实践开源的产物。

如果你正在搭 Agent 系统，不想从零造轮子，Deep Agents 是个值得研究的起点。

GitHub：https://github.com/langchain-ai/deepagents

GitHub: https://github.com/langchain-ai/deepagents