LangChain 推出 Deep Agents deploy 测试版，作为 Claude Managed Agents 的开源替代
Deep Agents Deploy: an open alternative to Claude Managed Agents
LangChain 发布 Deep Agents deploy 测试版，一条 deepagents deploy 命令即可将基于 Deep Agents 开源 harness 的自定义 Agent 以生产就绪方式部署。
原文把生产化部署拆成单条命令，并解释开放 harness 为何关乎记忆所有权，可作为与闭源方案的选型参考。
今天我们推出 Deep Agents deploy 测试版。Deep Agents deploy 是以生产就绪的方式部署模型无关、开源智能体框架的最快途径。
Deep Agents deploy 为开放世界而构建。它基于 Deep Agents ——一个开源、模型无关的智能体框架。框架与记忆紧密相连，这意味着选择开放框架就是选择拥有自己的记忆，而不是让它被锁定在专有框架中或绑定到单一模型。
框架工程 → 生产
过去几个月，“框架工程”作为一门构建框架以将 LLM 转变为智能体的学科而兴起。这些框架包含编排逻辑、工具、技能，作为智能体的基础，同时允许构建者提供自定义指令、工具、技能，以将框架定制到他们的用例。
要投入生产，需要几个步骤：
- 以多租户、可扩展的方式部署智能体编排逻辑和记忆
- 设置沙箱，使其按智能体会话启动
- 搭建端点以与智能体交互，从 MCP 到 A2A，再到用于人在回路、记忆等的其他端点
今天我们将所有这些步骤打包成一条命令：deepagents deploy
你在部署什么？
使用 deepagents deploy 你就是在部署你的自定义智能体。你需要指定几个参数：
model：要使用的大语言模型。Deep Agents 可与任何模型或模型提供商配合使用，包括 OpenAI、Google、Anthropic、Azure、Bedrock、Fireworks、Baseten、Open Router 和 Ollama。更多信息请参阅我们的 Models 文档。AGENTS.md：这是智能体的核心指令集，你在此指定在会话开始时加载的指令。skills：这些是 Agent Skills，允许专门知识（通过 markdown 文件）和操作（通过要运行的脚本）。更多信息请参阅我们的 Skills docs。mcp.json：这些是智能体可以使用 MCP 协议（HTTPS/SSE）调用的工具sandbox：如果需要，你可以指定一个沙箱，供智能体用于工作和运行技能。Deep Agents 开箱即包含与 Daytona、Runloop、Modal 或 LangSmith Sandboxes 的集成。任何沙箱提供商都可以与 Deep Agents 一起使用；请参阅我们的实施指南。
部署
在底层，deepagents deploy 将你的 Deep Agent 与其自有的 LangSmith Deployment 服务器打包在一起。这是一个生产就绪、可水平扩展的服务器。
它会启动一个包含 30 多个端点的服务器，包括以下端点：
- MCP；这样你可以将部署的智能体作为工具调用
- A2A；这样你可以在多智能体设置中调用你部署的智能体
- Agent Protocol；这样你可以轻松编写漂亮的 UI 来与你部署的智能体交互
- 人在回路；这样你可以围绕智能体在无人工干预下能做什么或不能做什么添加护栏
- 记忆端点；这样你可以轻松访问智能体的短期或长期记忆
开放生态
deepagents deploy 的一个关键部分是融入开放生态。具体来说：
- 我们使用
deepagents，一个完全开源、MIT 许可的框架，可用于 Python 和 TypeScript - 我们使用
AGENTS.md，一个开放标准，作为指定 agent 指令的方式 - 我们使用 Agent Skills，一个开放标准，作为向 agent 提供专业知识的方式
- 我们与每一家模型提供商集成，让你对此拥有完全控制权。没有 Anthropic 锁定，你可以为你的任务挑选最佳的模型组合，甚至是开放模型。
- 我们与每一家沙箱提供商集成，让你对此拥有完全控制权
- 我们通过 MCP、A2A 和 Agent Protocol 这些开放标准来暴露 agent
- 你可以自托管 LangSmith Deployments，这让你能够托管并拥有自己的记忆
与 Claude Managed Agents 对比
Claude Managed Agents 是最近推出的另一个竞品。其高层架构（harness、agent server、沙箱）是相同的，但 Claude Managed Agents 是一个围墙花园，会造成极其严重的锁定。
记忆
开放生态对 agent harness 和 agent 平台至关重要的核心原因在于记忆。
agent harness 与记忆紧密相连（Sarah Wooders 就此写了一篇精彩的文章）。harness 的一个关键角色就是管理上下文（记忆就是上下文）。随着 harness 越来越多的部分变得封闭、被锁在 API 之后——你的记忆也是如此。
从一个模型切换到另一个其实相当容易（当然，你可能需要稍微调整提示词，但没什么难的）。所以仅凭模型 API 并不会造成太多锁定（正如我们最近看到的从 OpenAI 到 Anthropic 的大量迁移）。
当你开始把这些记忆——无论是短期还是长期——捆绑到那些 API 之后时，就会造成极其严重的锁定。
想象一下创建一个内部 SDR agent。它起初很基础，但随着与用户交互，它会即时学习。这些记忆不断累积——但它们全都在一个封闭的 API 之后。如果你想离开那个 harness，或者离开那个模型——那就意味着要重置你的 agent 的记忆，从头开始。
对于你向客户暴露的 agent 来说，情况更糟。你构建了一个面向外部的销售 agent，它会积累与之交互的客户的记忆。所有这些记忆都在一个封闭的 API 之后。这些记忆本应是你为了随着时间推移改善客户体验而构建的数据飞轮的一部分。但它们不再属于你——它们属于拥有那个封闭 API 的一方。
deepagents deploy 以标准格式（AGENTS.md、skills 和其他文件）存储记忆，允许你直接通过 API 查询它们，而且如果你自托管，就能确保记忆始终只保留在你的数据库中。
试试开放的 harness
在专有 harness 之上构建 agent 会造成极其严重的锁定。我们相信这样一个世界：agent 的构建和部署应当简单，但你仍然可以选择模型，并且仍然拥有自己的记忆。
如果你也相信这一点，今天就试试 deepagents deploy 吧。
关键链接：
来源：LangChain：Blog · langchain.com