LangChain Deep Agents: готовый фреймворк для автономных агентов
LangChain выпустила Deep Agents — open-source agent harness с файловой системой, суб-агентами и управлением контекстом прямо из коробки.
Deep Agents: когда «собрать агента» — это уже не ваша проблема
Deep Agents запустил CEO LangChain Харрисон Чейз в июле 2025 года — и за первые пять часов после крупного мартовского обновления репозиторий набрал 9,9k звёзд на GitHub. Deep Agents — это open-source agent harness (готовая обвязка агента): опinionated-агент, который работает прямо из коробки и позволяет расширять, переопределять или заменять любую его часть. Сегодня репозиторий насчитывает уже 27,1k звёзд и более 3,8k форков.
Что такое agent harness и зачем он нужен
Agent harness — это opinionated, «batteries-included» фреймворк со встроенными инструментами и возможностями для построения сложных, долгоживущих агентов.
По словам самой команды LangChain: LangChain — это agent framework, LangGraph — agent runtime, а DeepAgents — agent harness. Проще говоря, это три слоя одного стека:
graph TD
A["🔧 LangChain\n(agent framework)\nАбстракции, интеграции, 600+ провайдеров"] --> B["⚙️ LangGraph\n(agent runtime)\nStateGraph, checkpointing, streaming"]
B --> C["🚀 Deep Agents\n(agent harness)\nФайловая система, суб-агенты, планирование, память"]
C --> D["👤 Ваш автономный агент"]
Deep Agents предназначен для построения автономных, долгоживущих агентов с такими встроенными возможностями, как инструменты планирования, доступ к файловой системе, суб-агенты и детальные промпты — оптимально для сложных открытых задач на длинных временных горизонтах.
Ключевые возможности
| Функция | Описание |
|---|---|
| Sub-agents | Делегирование задач агентам с изолированными контекстными окнами |
| Filesystem | Чтение, запись, редактирование и поиск через подключаемые backend-ы |
| Context management | Суммаризация длинных диалогов и выгрузка результатов инструментов на диск |
| Shell access | Запуск команд в выбранном sandbox-е |
| Persistent memory | Подключаемые хранилища состояния для запоминания между сессиями |
| Human-in-the-loop | Одобрение, редактирование или отклонение вызовов инструментов до их исполнения |
| Skills | Переиспользуемые поведения, которые агент загружает по требованию |
| MCP-совместимость | Подключение любых MCP-серверов как инструментов |
Установка одной командой:
uv add deepagents
Или для Deep Agents Code (терминальный coding-агент):
curl -LsSf https://langch.in/dcode | bash
Минимальный пример
from deepagents import create_deep_agent
agent = create_deep_agent(
model="openai:gpt-5.5",
tools=[my_custom_tool],
system_prompt="You are a research assistant.",
)
result = agent.invoke({"messages": "Research LangGraph and write a summary"})
Агент самостоятельно планирует работу, читает/пишет файлы и управляет собственным контекстом. Можно подключить любые инструменты, сменить модель, настроить промпты и суб-агентов.
Что нового в версии 0.2 и далее
Изначально команда LangChain сформулировала четыре ключевых элемента «глубокого» агента: инструмент планирования, доступ к файловой системе, суб-агенты и детальные промпты — и упаковала всё это в базовый Python-пакет.
В версии 0.2 появилась подключаемая Backend-абстракция: можно заменить виртуальную файловую систему на любое хранилище. Встроенные реализации включают LangGraph State, LangGraph Store (для персистентности между потоками) и доступ к локальной файловой системе. Также появились Composite Backends: можно смешивать хранилища, маппируя разные backend-ы на конкретные поддиректории — например, локальный диск как основа, а /memories/ — это S3 для долговременной памяти.
Model-agnostic: работает с любой LLM
Deep Agents не привязан к конкретному провайдеру. Поддерживаются:
- Frontier APIs: OpenAI, Anthropic, Google
- Open-weight модели: через Baseten, Fireworks
- Self-hosted: Ollama, vLLM, llama.cpp
Единственное требование — поддержка tool calling (вызова инструментов).
Безопасность: важный нюанс
Deep Agents следует модели «доверяй LLM»: агент может делать всё, что позволяют его инструменты. Ограничения нужно задавать на уровне инструментов и sandbox-а, а не рассчитывать на самоцензуру модели.
Когда использовать Deep Agents, а когда — нет
Используйте Deep Agents, когда хотите получить полную обвязку — планирование, управление контекстом, делегирование — сразу из коробки. Используйте create_agent от LangChain, если нужен более лёгкий вариант без встроенного middleware. Опускайтесь до LangGraph, когда сам цикл агента не подходит по форме и нужен кастомный граф.
Для сложных, долгоживущих, многошаговых задач с большими требованиями к контексту — именно здесь deepagents оправдывает свои абстракции.
Контекст и значение для отрасли
На Hacker News часть разработчиков высказывала скептицизм: по их мнению, Deep Agents не привносит ничего принципиально нового и критиковали LangChain за усложнение простых концепций. Тем не менее цифры говорят иное: 27k звёзд на GitHub и активный рост версий до 0.7.x свидетельствуют о реальном спросе.
Проект открыто признаёт вдохновение Claude Code: по словам авторов, это попытка разобраться, что делает его универсальным, и продвинуться ещё дальше.
В документации LangChain даже появился специальный раздел с прямым сравнением Deep Agents и Claude Agent SDK. Это красноречиво говорит о том, в каком конкурентном поле сейчас разворачивается борьба за разработчиков агентных систем.