← Harness 图谱
Deep Agents
LangChain
Python
开源
MIT
通用harness
长任务
子代理
verified
lifecycle: active
核验 2026-09-30
「batteries-included agent harness」 —— 官方自述：开箱即跑、面向长任务多步流程、
适合与不适合
适合：要开箱即用、默认调优好、面向长任务多步流程的通用 Agent；不想自己拼 filesystem/记忆/子代理；已在 LangChain 生态里。
固定坐标系
8 个维度，与同赛道其他对象逐项可比。
- 模型与开放条件
- 官方自述 model-agnostic，README 列为四条原则之一： 「Model-agnostic — works with any LLM that supports tool calling: frontier, open-weight, or local」。 FAQ 进一步说明：任何支持 tool calling 的模型都行，包括 frontier API（OpenAI/Anthropic/Google）、 provider 托管的开源权重（Baseten/Fireworks），以及通过 Ollama / vLLM / llama.cpp 自托管的模型。 接入方式是任一 LangChain chat model。换 provider 不需要改 agent 代码。
- 运行位置
- 你自己运营进程 —— 它是库不是服务。README 明确 built on LangGraph （streaming, persistence, checkpointing），配 LangSmith 做 tracing/evaluation/deployment。 agent loop 的责任分布：模型决策与工具调用在 LangGraph runtime 上， Deep Agents 预置了规划、上下文管理、子代理委派。
- 本地文件
- Filesystem 能力是核心卖点：read / write / edit / search， 且后端可插拔（pluggable local, sandboxed, or remote backends）。 重要边界：官方安全声明原文说「Enforce boundaries at the tool/sandbox level, not by expecting the model to self-police」—— 即官方明确不提供一层权限护栏， 边界要靠你自己在 tool/sandbox 层实现。多 agent 并发时的文件冲突处理本次未核验。
- 关机后的任务
- 自托管 = 关了就停，没有托管执行选项（README 无相关承诺）。 但断点续跑有官方支撑：built on LangGraph 的 persistence + checkpointing， 加上 persistent memory（pluggable state and store backends for cross-session recall）。 官方另有 LangSmith 提供 deployment。
- 工具与扩展
- 工具链是「batteries-included」定位：Sub-agents（隔离子上下文的委派）、Filesystem、Shell access （run commands in your sandbox of choice）、Skills（按需加载的可复用行为）、 Tools（自带函数或任意 MCP server）。 MCP 支持明确：官方列「bring your own functions or any MCP server」。 human-in-the-loop：可 approve / edit / reject 工具调用，发生在执行前。
- 上下文与记忆
- 本赛道「状态 ≠ 上下文」分野的教科书案例： Context management = summarize long threads and offload tool outputs to disk（卸载，不是丢）； Persistent memory = pluggable state and store backends，支持跨会话召回。 官方描述 defaults are tuned for long-horizon, multi-step work。 两种做法并存：压缩历史 + 把大工具输出落盘 + 跨会话记忆。
- 权限与限制
- 官方明确不设防模型越界，Security 章节原文： 「Deep Agents follows a "trust the LLM" model. The agent can do anything its tools allow. Enforce boundaries at the tool/sandbox level, not by expecting the model to self-police.」 翻译：采用「信任 LLM」模型，Agent 能做任何它的工具允许的事； 边界要在工具/沙箱层强制，不要指望模型自我约束。 唯一的内建人工干预点是 human-in-the-loop 的工具调用审批（approve/edit/reject）。 这意味着：装了 Deep Agents 之后，权限模型是你的责任。
- 适合什么任务
- 适合：要一个开箱即用、默认调优好、面向长任务多步流程的通用 Agent； 不想自己拼 filesystem / 记忆 / 子代理；已经在 LangChain 生态里。 不适合：需要细粒度权限护栏（官方明说不提供，必须自建沙箱）； 要严格控制 agent loop 形状（该用 LangGraph 自定义图）； 想要轻量 harness（该用 LangChain
create_agent）。
头号误解
- 把 Deep Agents / LangChain / LangGraph 当成同一个东西 —— 官方自己明确是三层，职责不同（见
layer_position） - 以为 "trust the LLM" 是产品特性而不是风险声明 —— 官方原文是让你在工具/沙箱层自行设边界
- 以为开源就零成本 —— 模型推理 + LangSmith（官方推荐的 tracing/eval）都要付费
- 以为最新版是 0.7.0 —— 竞品站的快照记的是 0.7.0，实际已 0.7.20（核验 2026-09-30）
价格
| 月度入口 | 库本身免费（MIT） |
|---|---|
| 额度说明 | 框架免费 ≠ 运行免费。 README 原文推荐搭配 LangSmith 做 tracing / evaluation / monitoring， LangSmith 是商业产品。另：模型推理费用自理，官方举例用 model="openai:gpt-6-astra"。 README 的 Quickstart 示例里没提 Deep Agents 自身有托管服务。 |
不同币种不做折算。优惠、地区、税费与登录后报价可能变化，购买前请到官方页面确认。
未知项清单
- LangSmith 定价（README 推荐搭配，但商业条款未核验）
证据来源
判断可回到以下一手源复核。本站核验日 2026-09-30，内容更新日 2026-09-30。
| 类型 | 名称 | 链接 |
|---|---|---|
| repo | LangChain · Deep Agents 仓库 | https://github.com/langchain-ai/deepagents |
| docs | Deep Agents 官方文档（overview） | https://docs.langchain.com/oss/python/deepagents/overview |
| docs | Deep Agents · Going to production | https://docs.langchain.com/oss/python/deepagents/going-to-production |
| docs | Deep Agents · Security policy（trust the LLM 声明原文） | https://github.com/langchain-ai/deepagents?tab=security-ov-file |
| docs | LangChain 生态关系说明（三层如何配合） | https://docs.langchain.com/oss/python/concepts/products |
| changelog | Deep Agents Releases（0.7.20 @ 2026-09-29） | https://github.com/langchain-ai/deepagents/releases |
实测记录
本站尚未完成实测。测试协议见 tasks/_protocol.md。
本页由 ai-coding-agent-atlas 数据层生成（CC BY 4.0）。
方法论与坐标系定义见仓库内 METHODOLOGY.md。