LangChain 官方刚刚发布 v0.7.10：Deep Agents 想解决什么问题，谁该用谁该等

星眸·GitHub 观察者 技术创作者 2026-08-28 800 阅读

LangChain 官方刚刚发布 v0.7.10：Deep Agents 想解决什么问题，谁该用谁该等

2026年8月28日，LangChain 官方仓库 deepagents 同步推送了三个版本的 release——deepagents v0.7.10、deepagents-talon v0.0.6、deepagents-code v0.1.64，全部聚焦于 context engineering 与 checkpoint 效率优化。这个时间节点本身就是一个信号：LangChain 正在把”Agent Harness”这件事，从社区实验推向生产级别的工程体系。

这不是另一个 Agent 框架

市面上 Agent 框架已经很多了：CrewAI、OpenAI Agents SDK、Google ADK……Deep Agents 的定位和它们有本质区别。它不是一个用来”快速搭一个聊天机器人”的框架，它的官方描述是”batteries-included agent harness”——一个开箱即跑、但深度可定制的 Agent 马具。

这里有个认知门槛需要先跨过去：Harness 不等于 Framework，也不等于 Runtime。LangChain 官方博客里有一张清晰的层次图：

  • LangGraph = 底层 Runtime，提供 durable execution、checkpointing、human-in-the-loop
  • LangChain = 框架层，抽象了 Model、Tool、Agent Loop，提供中间件扩展点
  • Deep Agents = Harness 层，把 Context 管理、Planning、Sub-agents、Memory、Filesystem 这些”已经验证过 best practice”的东西打包好

换句话说：Deep Agents 是 LangChain 自己用 LangGraph 搭出来的”官方答案”。它的核心哲学是：“Trust the LLM”——不试图在模型层面做限制，而是在工具/沙箱层面做边界控制。

它实际上能做什么

用一句话总结：Deep Agents 把一个长时程、多步骤、可能跨越几小时甚至几天的 Agent 任务，从”你手动盯着”变成”它自己跑，你只在必要时介入”。

具体来说，这些能力是内置的，不需要你写一行代码：

Planning——内置 write_todos，Agent 会自动把复杂任务拆解成子任务列表，跟踪进度，动态调整。官方说法是”task decomposition and progress tracking”，实际体验更像是给 Agent 装了一个内置的任务管理器。

Context 管理——这是 Deep Agents 最有技术含量的部分。ContextMiddleware 处理两件事：长对话自动 summarization（压缩历史避免 token 溢出），大工具输出自动 offload 到磁盘（而不是塞在 context window 里）。v0.7 新增的 DeltaChannel 技术更进一步——之前每个 checkpoint 都存完整消息历史，现在只存增量 delta，checkpoint 体积从 O(N²) 降到 O(N)。这对于跑几小时的长任务来说，是真正的工程级优化。

Sub-agents——主 Agent 可以 spawn 子 Agent，每个子 Agent 有独立的 context window，专门处理子任务。这解决了多步骤任务里”context 越来越臃肿”的老大难问题。子 Agent 之间完全隔离，主 Agent 负责协调。

Filesystem——内置的 read_file / write_file / edit_file / ls / glob / grep 工具，背后是可插拔的存储后端。本地、Sandboxed、远程（LangSmith Hub-backed）都可以。v0.7 新增的 ContextHubBackend 把 Agent 文件（Skills、Memory、持久化上下文）作为 LangSmith Hub commit 来存储，每次写入自动带版本历史。

Shell 访问——execute 工具在沙箱里跑命令，不会在你的本地环境里横冲直撞。

Memory——跨 session 持久化。Agent 下次启动还能读到之前的上下文，不是从头开始。

Human-in-the-loop——任何工具调用前可以加人工审批。approve / edit / reject，不是”Yes/No”二元选择，而是可以改参数再执行。

Skills——给 Agent 提供可复用的行为脚本，比如 citation-format、source-eval，Agent 按需加载。

MCP 支持——通过 langchain-mcp-adapters 接任何 MCP server。

不只是 Python，还有 CLI

Deep Agents 同时提供 SDK 和 CLI。CLI 安装一条命令：

curl -LsSf https://langch.in/dcode | bash

这装的是 deepagents-code——一个预构建的终端 coding agent，类比 Claude Code 或 Cursor，但可以接任何支持 tool calling 的 LLM。CLI 还额外支持：对话 resume、web search、远程沙箱（Modal / Runloop / Daytona / Daytona）、持久化记忆、自定义 Skills、headless 模式。

生产级别的坑：它不适合什么

LangChain 官方博客有一句话说得非常诚实：”The purchase is not the library. The purchase is a reliable workflow with owned data, controlled actions, measurable quality and a team that can operate it.”

这不是在谦虚。Wavect 的评测文章列出了非常明确的不适合场景：

不该用 Deep Agents 的情况：

  • 任务本身是一轮对话 + 一两个工具调用就能完成的
  • 工作流是完全确定性的，可以用流程图表达的
  • 只需要 RAG（检索+生成）就能解决，不需要 Agent 自主行动的
  • 团队还没有 identity、权限、日志、评估、事件响应能力的

该用 Deep Agents 的情况：

  • 任务是多步骤的，无法用短流程可靠表达的
  • Agent 需要创建、检查、修改跨长上下文的产物（文件、报告、代码）
  • 并行或专业化 sub-agent 能提升吞吐量或隔离上下文的
  • 业务价值能覆盖沙箱、评估、审查和持续运营成本的

另外，Deep Agents 的 beta 状态和快速发布节奏本身就是升级风险。生产环境使用需要认真对待版本 pinning 和测试。

v0.7.10 值得关注的新东西

2026年8月28日这个 release 有几个值得关注的更新：

DeltaChannel——用增量 delta 代替完整消息历史存储 checkpoint，对话线程变长时检查点体积增长从 O(N²) 降到 O(N)。

Harness Profiles——按 Provider 或 Model 注册配置包，选模型时自动应用对应的 system prompt 微调、工具重写、中间件变更和子 Agent 默认设置，不需要改调用代码。

ContextHubBackend——文件系统后端，Agent 文件作为 LangSmith Hub commit 存储，每次写入带版本历史，不用单独配置 LangGraph store 就能获得持久化。

CodeInterpreterMiddleware（实验性）——支持通过 QuickJS 运行时进行代码执行和程序化工具调用。

和 Claude Managed Agents、OpenAI Agents SDK 的区别

Spillwave 有一篇架构对比文章说得很清楚：Anthropic Claude Managed Agents 是最快上线的路径，但有多 Agent 编排、Memory 和结果评估上的研究预览缺口，以及平台锁定。OpenAI Agents SDK 是中间路线，原生沙箱支持，开发者自己拥有 harness，经济学更可预测。Deep Agents 是三者里最开源的（MIT License），但走向生产级别的标准路径是 LangSmith Deployments——这又引入了平台依赖和按座位计费的成本模型。

真实使用门槛

  1. Python 3.10+ 环境（推荐 uv 管理依赖）
  2. 一个支持 tool calling 的 LLM（OpenAI、Anthropic、Google、self-hosted Ollama/vLLM/llama.cpp 都可以）
  3. LangSmith 账号（可选但推荐，用于 tracing / evaluation / deployment）
  4. 对”Agent 工程”有基本理解——它不是搭好就跑的东西，需要配置工具权限、设计 task scope、建立人工审批流程

下一步建议：如果你想试

  1. 先跑通官方 Quickstart：uv add deepagents，5行代码看 Agent 是否能跑起来
  2. 用 deepagents CLI 体验对话式 coding agent（类比 Claude Code 体验）
  3. 用 LangSmith 搭一套 evaluation pipeline——Deep Agents 的评测框架（Harbor/DRBench）需要先有 baseline 才能衡量质量
  4. 选一个具体、有边界的任务做 pilot：比如”给定一个 GitHub repo URL，Agent 自动分析其技术栈和依赖版本”
  5. 不要在生产环境裸跑——至少先配置 human-in-the-loop approval

🔗 链接

评论区

0 条评论

登录后可评论。

星眸·GitHub 观察者 800 阅读