Deep Agents Deploy：LangChain 开源正面迎战 Claude Managed Agents

把一个 agent 从 demo 推上生产，要搭多少东西？LangChain 的答案是：一条命令。

提纲

• Deep Agents Deploy 是什么：harness engineering 的最后一公里
• 部署的是什么：五个参数与 30+ 端点的 agent 服务器
• 开放生态：从协议到沙箱的全栈开放清单
• 与 Claude Managed Agents 的对比：架构相同，围墙不同
• 记忆：这场争论真正的主角

一条命令的由来

今年 4 月 8 日，Anthropic 发布 Claude Managed Agents 公测，主打"上生产快 10 倍"。第二天，LangChain 就挂出了自己的回应：Deep Agents deploy 进入 beta，官方博客的标题毫不掩饰——"Claude Managed Agents 的开源替代品"。

Deep Agents deploy 建立在 deepagents 之上。这个仓库是 LangChain 的开源 agent harness，MIT 协议，Python 和 TypeScript 双语言实现，目前 GitHub 上已有 30,000+ Star。所谓 harness，就是包在 LLM 外面的那层骨架：编排逻辑、工具、skills，再留出位置让开发者塞进自定义指令。

过去几个月，"harness engineering" 逐渐成为一个独立的工程学科。但把 harness 推上生产还有几件麻烦事：

• 以多租户、可扩展的方式部署编排逻辑和记忆
• 为每个 agent 会话拉起沙箱
• 架起各种交互端点：MCP、A2A、human-in-the-loop、记忆读写

Deep Agents deploy 把这三件事打包成了一条命令：deepagents deploy。

部署的是什么

执行 deepagents deploy 时，你指定五样东西：

命令执行后，你的 agent 会被打包进一台专属的 LangSmith Deployment 服务器——生产级、可水平扩展，暴露 30 多个端点：

flowchart LR
    subgraph Repo["Your Repo"]
        AG["AGENTS.md"]
        SK["Skills"]
        MC["mcp.json"]
    end
    CLI["deepagents deploy"]
    AG --> CLI
    SK --> CLI
    MC --> CLI
    CLI --> SRV["Agent Server (LangSmith Deployment)"]
    MP["Model Provider"] --> SRV
    SB["Sandbox"] --> SRV
    SRV --> E1["MCP: agent as tool"]
    SRV --> E2["A2A: multi-agent"]
    SRV --> E3["Agent Protocol: UI"]
    SRV --> E4["Human-in-the-loop"]
    SRV --> E5["Memory API"]

几个端点值得单独说：MCP 端点让你把部署好的 agent 当作工具再喂给别的 agent；A2A 端点用于多 agent 协作；Agent Protocol 端点负责对接 UI；human-in-the-loop 端点给敏感操作加人工审批的闸门；记忆端点则把短期和长期记忆的读写直接开放出来。

"开放"具体开放在哪

开源替代品的价值取决于开放的范围。Deep Agents deploy 的清单覆盖了整条链路：

• harness 本身：deepagents，MIT 协议，Python/TypeScript 双语言
• 指令格式：AGENTS.md 开放标准
• 知识注入：Agent Skills 开放标准
• 模型：所有主流供应商 + 开源模型，无单一厂商绑定
• 沙箱：所有主流供应商，自己实现也行
• 互操作协议：MCP、A2A、Agent Protocol 全部是开放标准
• 托管层：LangSmith Deployment 支持自托管

每一层都有替代选项，每一层都能自己拿着钥匙。

与 Claude Managed Agents 对比

LangChain 在博客里放了一张架构对比图，结论很直白：两者的高层架构一模一样——harness、agent server、sandbox 三件套，Claude Managed Agents 的工程能力并不弱。差别在于，后者是一座围墙花园：harness 闭源、模型只有 Claude、托管只能在 Anthropic 的平台、记忆锁在封闭 API 后面。

需要说明的是，Claude Managed Agents 这半年也在快速进化：5 月加了 dreaming、outcomes 和多 agent 编排，之后又支持了自托管沙箱与 MCP tunnels，10 月刚上线 dynamic workflows。企业如果已经深度绑定 Claude 生态，它的完成度和安全合规配套依然有吸引力。Deep Agents deploy 的赌注押在另一个方向：你随时可能想换模型、换供应商，那时候包袱越轻越好。

记忆才是主角

LangChain 这篇博客最有分量的部分，是它对锁定的拆解。

换模型其实不难。调调 prompt，多数应用就能从 GPT 迁到 Claude——今年各家模型间的迁移潮已经反复验证了这一点。模型 API 本身造成的锁定有限。

真正难迁的是记忆。harness 的核心职责之一就是管理 context，而 memory 本质上就是 context。当 harness 的越来越多部件被锁在封闭 API 后面，你的记忆也一样。

博客里举了两个例子。第一个是内部 SDR agent：它在与用户交互中不断学习，记忆持续累积，但全部存在封闭 API 后面。哪天你想换 harness 或换模型，代价是重置 agent 的全部记忆，从零开始。第二个更扎心：面向客户的销售 agent 在服务中积累了对每个客户的了解，这些记忆本该是你数据飞轮的燃料，让客户体验越滚越好。但它们不再属于你——它们属于那条封闭 API 的主人。

Deep Agents deploy 的应对方式很朴素：记忆以标准格式存储（AGENTS.md、skills 等文件），可以直接通过 API 查询；如果选择自托管，记忆永远只落在你自己的数据库里。

结语

agent 基础设施正在重演云时代的老戏码：托管服务用便利换走你的数据和控制权，开源方案用一点额外的运维责任把它还给你。Deep Agents deploy 的赌注是，当 agent 从试验品变成业务的核心资产，企业最终会想攥住自己的记忆。

Harnesses are intimately tied to memory — by choosing an open harness you are choosing to own your memory.

—— LangChain Blog

参考链接

1. Deep Agents Deploy: an open alternative to Claude Managed Agents — LangChain Blog
2. Deep Agents Deploy 文档
3. deepagents GitHub 仓库
4. Claude Managed Agents 发布公告
5. The anatomy of an agent harness — LangChain Blog
6. AGENTS.md 开放标准
7. Agent Skills 开放标准
8. Agent Protocol
9. Sarah Wooders: agent harnesses and memory

作者: itech001 来源: 公众号：AI人工智能时代(the-ai-era) 网站: https://www.theaiera.top/ 关注每日最新AI新闻和技术博客，主页有更多的文章的AI 技术参考：https://www.theaiera.top

本文首发于 AI人工智能时代，转载请注明出处。