深度 Agent 时代来临：LangChain 发布 Deep Agents 套件

近期，LangChain 联合创始人 Lance 在一次演讲中系统阐释了 Deep Agents 的理念，并同步发布了开源包 deepagents。本文对演讲内容做了专业梳理，帮助企业技术团队快速理解为何“深度 Agent”将成为 2025 年的核心范式，以及如何在工程实践中落地。

深度 Agent 的时代背景

Lance 指出：Agent 可处理任务的时长正以约 7 个月翻倍的速度增长。 这背后是 Claude Code、Deep Research、Manus 等长运行 Agent 的爆发式增长。以 Manus 为例，单个任务平均包含 50 余次工具调用，涉及大量上下文卸载、脚本执行与多阶段推理。

这意味着 Agent 不再只是回答问题的“聊天机器人”，而是需要完成跨小时乃至跨日的 Deep Work：

• 支持复杂工具链（文件系统、Shell、网络、子任务）
• 在数十次调用间保持上下文稳定
• 对 Planner、记忆和安全治理提出更高要求

Deep Agents 的核心要素

Lance 通过拆解 Manus 与 Claude Code，发现它们依赖的工具并不多，而是集中在四类“原子能力”上：

1. 文件系统与计算机访问：读写文件、执行脚本是长任务的基石，既能卸载上下文，也能沉淀可复用脚本（Claude Skills）。
2. 规划（Planning）机制：长链路必须具备明确的分步计划，实现目标拆解与状态跟踪。
3. 子智能体（Sub-agents）：通过子 Agent 获得独立上下文窗口，避免主 Agent 被噪音或长对话污染。
4. 详尽的系统 Prompt：复杂逻辑被转移到指令中，模型只需配合少量工具即可完成任务。

归纳起来，Deep Agents = 原子工具 + 规划 + 子智能体 + 强 Prompt，让模型在有限工具集上完成更深层的工作。

deepagents 包提供了什么？

deepagents 将上述经验封装为可直接复用的开源组件，包含：

• Prompt 体系：提供针对长任务优化的系统提示模板，强调工具使用策略、日志记录、风险提示等要素。
• 文件系统访问：默认支持虚拟文件系统，可插拔切换到本地 FS，方便在真实环境中读写项目文件。
• 规划工具：内置 Planner，支持任务分解、进度管理和回滚。
• Subagent 机制：一行代码调用子 Agent，实现上下文隔离和并行子任务处理。

0.2 版本亮点

• 可插拔后端：开发者可以选择虚拟 FS、本地 FS 或自定义存储。
• Middleware 体系：类似钩子（Hooks），可对 Agent 生命周期进行扩展（上下文压缩、上下文卸载、Prompt 缓存等），降低长任务成本与延迟。
• Deep Agents CLI：提供类 Claude Code 的终端体验，可在本地运行定制 Agent，具备读写项目文件、受控执行 Shell、联网搜索、持久记忆等能力。

它与 LangChain、LangGraph 的关系

特性	LangChain	LangGraph	Deep Agents
本质	框架（Framework）	运行时（Runtime）	封装套件（Harness）
核心价值	抽象能力（模型、工具接口）	持久化执行、检查点、记忆、人机回环	预定义 Prompt、原子工具、Subagents
适用场景	快速上手/标准化开发	需要底层控制的长运行、有状态任务	构建自主、长运行的复杂 Agent

换言之，Deep Agents 架构在 LangChain + LangGraph 之上：LangChain 提供统一接口，LangGraph 负责可靠执行，Deep Agents 在此之上给出观点鲜明的“最佳实践组合”。

构建 Deep Agents 的三条原则

1. 把复杂性写进 Prompt：模型能力越强，越应通过系统提示定义行为准则、工具使用规范，而不是在代码中硬编码各种分支。
2. 充分利用文件系统：
   • 将计划、上下文卸载到文件，节省 Token。
   • 将常用脚本放入“技能目录”，通过 Bash 工具直接调用，实现“知识即脚本”。
3. 善用子智能体：对于耗时长或逻辑隔离的任务，委派给 Sub-agent 处理，既保持主 Agent 思路清晰，也能优化 Token 消耗。

典型应用场景

• 企业级研发 Copilot：长时间陪伴开发者，管理多文件修改、运行脚本、解析测试报告。
• 自主数据分析 Agent：自动收集数据、生成 Notebook、执行建模脚本、输出可视化报告。
• 运营/客服长任务处理：自动汇总多渠道信息、生成策略建议、调用内部系统执行批量操作。

在这些场景中，传统短对话 Agent 难以胜任，而 Deep Agents 通过规划、FS 与子任务机制可以保持数十分钟乃至数小时的稳定运行。

结语

deepagents 将 LangChain 团队对长运行 Agent 的经验浓缩成一套开箱即用的开源方案。对希望构建自主、可信 Agent 的企业而言，这是一个值得关注的方向：在 LangChain/LangGraph 的基础能力上，通过 Deep Agents 套件快速实现“深度工作”级别的智能体。

社区贡献正是该项目的生命力所在。欢迎开发者尝试 deepagents CLI，结合自身业务场景扩展工具与 Prompt，让更多 Agent 真正承担起长任务、复杂任务的执行角色。

[本文根据 Lance 在 YouTube（https://youtube.com/watch?v=IVts6ztrkFg）上的演讲整理]