LangChain 开源了一个"深度 Agent"框架，对标 Claude Code

一、普通 Agent 到底哪里不够用？

用过 LLM Agent 的开发者都有这个感受：让它做个简单的问答、调个 API，挺好用的。但一旦任务变复杂——比如"帮我调研竞品、整理成报告、存到文件里"——Agent 就开始出问题了。

问题的本质在于，传统 Agent 是"浅的"。它的核心架构是一个 ReAct 循环：想一下 → 调个工具 → 再想一下 → 再调工具……这套循环对短平快的任务没问题，但面对需要多步规划、跨越大量上下文、拆解子任务的复杂工作，它会迷失方向——要么忘了自己在做什么，要么上下文塞满了不知道怎么管理，要么一条路走到黑不懂得拆解。

Deep Research、Manus、Claude Code 这类产品为什么强？因为它们在 ReAct 循环之上，额外实现了四个关键能力：任务规划与分解、文件系统上下文管理、子 Agent 委派、长期记忆。

LangChain 官方把这四个模式抽象出来，做成了一个开箱即用的开源框架——Deep Agents。

---

二、Deep Agents 是什么？

Deep Agents 是 LangChain 官方发布的 Agent 框架，基于 LangChain + LangGraph 构建，灵感直接来源于 Claude Code——官方 README 里明确写道，这个项目"最初很大程度上是一次尝试，探究是什么让 Claude Code 如此通用，并尝试将其做得更通用"。

它的定位是一个"Agent 底座（harness）"，不是又一个聊天机器人包装，而是给开发者提供一套生产可用的基础设施，让你可以快速构建出能处理复杂任务的 Agent 应用。

核心能力一览

任务规划工具（Planning Tool）
Agent 在执行任务前先进行结构化规划，把复杂任务拆解成带状态跟踪的 TODO 列表（pending / in_progress / completed），避免执行过程中"迷路"。

文件系统后端（Filesystem Backend）
Agent 可以读写文件，把中间结果持久化，突破 context window 的限制。文件系统后端支持灵活替换：内存、本地磁盘、云端持久化存储、沙箱环境都可以接入。

子 Agent 派发（Subagent Spawning）
主 Agent 可以将子任务委派给独立的子 Agent 并发执行，实现隔离、并行的任务处理，大幅提升复杂工作流的效率。

长期记忆（Long-term Memory）
跨会话的记忆管理，让 Agent 不再"失忆"。

模型无关（Provider Agnostic）
兼容 Claude、OpenAI、Google 等所有 LangChain 支持的模型，一行代码切换。

生产级运行时
底层使用 LangGraph，原生支持流式输出、持久化、断点续跑（checkpointing）和 Human-in-the-loop 审批。

---

三、怎么用？

3.1 安装

pip install deepagents
# 或者用 uv（推荐）
uv add deepagents

3.2 最简单的用法——5 行代码起步

from deepagents import create_deep_agent

agent = create_deep_agent()
result = agent.invoke({
    "messages": [{"role": "user", "content": "调研 LangGraph 并写一份摘要"}]
})

Agent 会自动完成规划、读写文件、管理上下文，全程无需手动干预。

3.3 自定义模型、工具和提示词

from langchain.chat_models import init_chat_model
from deepagents import create_deep_agent

agent = create_deep_agent(
    model=init_chat_model("openai:gpt-4o"),   # 换成你想用的模型
    tools=[my_custom_tool],                   # 注入自定义工具
    system_prompt="你是一个专业的研究助手。",   # 自定义提示词
)

3.4 接入 MCP 工具

Deep Agents 通过 langchain-mcp-adapters 支持 MCP 协议，可以直接接入任意 MCP Server 提供的工具，大幅扩展 Agent 的能力边界。

3.5 CLI 终端编码 Agent

如果你不想写代码，Deep Agents 还提供了一个开箱即用的终端 Agent，体验类似 Claude Code 或 Cursor：

# 一键安装（默认支持 OpenAI，可指定其他 provider）
curl -LsSf https://raw.githubusercontent.com/langchain-ai/deepagents/main/libs/cli/scripts/install.sh | bash

# 支持 Anthropic 和 Groq 的安装方式
DEEPAGENTS_EXTRAS="anthropic,groq" curl -LsSf \
  https://raw.githubusercontent.com/langchain-ai/deepagents/main/libs/cli/scripts/install.sh | bash

CLI 版本额外提供：会话恢复、网络搜索、远程沙箱（Modal / Runloop / Daytona）、持久记忆、自定义技能和 Human-in-the-loop 审批。

3.6 可观测性（推荐配置）

配合 LangSmith 可以完整追踪 Agent 的每一步行为，方便调试和评估：

export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY=your_key_here

---

四、项目结构与生态

Deep Agents 不是单一的库，而是一个逐渐完善的生态：

子项目	说明
deepagents（Python SDK）	核心 Agent 框架，构建复杂 Agent 的基础
deepagents-cli	终端编码 Agent，对标 Claude Code
deepagentsjs	TypeScript 版本，面向前端/全栈开发者
deep-agents-ui	与 Deep Agents 交互的开源 Web UI
deep-agents-from-scratch	从零理解 Deep Agent 原理的教学仓库（5 个渐进式 Notebook）

---

五、总结

Deep Agents 做了一件很务实的事：把 Claude Code、Deep Research 这类"深度 Agent"背后的通用模式提炼出来，以开源、可扩展的方式提供给所有开发者。

它的核心价值在于：

• 降低构建复杂 Agent 的门槛——规划、文件系统、子 Agent 全都内置，不用从零搭；
• 生产可用——LangGraph 底层保障了流式、持久化、断点续跑等生产级特性；
• 高度可定制——模型、工具、后端都可以灵活替换，不绑定任何特定厂商；
• 完整生态——从 SDK 到 CLI，从 Python 到 TypeScript，从调试工具到教学资料，配套较为完善。

如果你正在构建需要处理复杂多步任务的 AI 应用，Deep Agents 值得作为首选框架来评估。

项目地址：https://github.com/langchain-ai/deepagents
官方文档：https://docs.langchain.com/oss/python/deepagents/overview