Deep Agents

先看看什么是deepagents

Deep Agents 是开始构建由大语言模型驱动的代理和应用程序的最简单方式——它内置了用于管理上下文的文件系统功能、子代理生成机制以及长期记忆功能。此外，还提供了任务规划、技能学习等可选功能，这些功能可以根据具体需求来扩展工具的功能。你可以将 Deep Agents 应用于任何任务，包括复杂的多步骤任务。
Deep Agents 具有以下功能：

• 在环境中执行操作：通过工具进行操作，读取和写入文件，执行代码。
• 连接到你的数据：在合适的时候加载记忆、技能以及领域知识。
• 管理不断增长的上下文：总结历史信息，并将大量结果处理掉，以优化长期运行中的性能。
• 并行处理任务：将任务委托给在独立上下文窗口中运行的通用或专业子代理来执行。
• 保持联系、人机交互：在关键决策时刻暂停，等待人类的批准。
• 实时监控：根据实际使用情况更新内存、技能和提示信息。

简单的说他就是 LangChain 官方推出的“企业级 AI 代理开发框架” ，自带了一系列工具包，数据读取、上下文管理、子任务分配管理等，你不需要自己造轮子，拿来就能用。

Agent 的架构

说到这里，那么一个生产 Agent 的背后架构到底应该是个什么样子的呢 , 我去找了下资料，对于通用的 Agent 的话一般可以分层一下几层

第 1 层：交互与体验层（接入层）

主要作用：解决用户怎么和我对话？我怎么让用户放心使用的问题

• 核心职责：负责 Agent 与外部世界（人类或系统）的通信。
• 关键组件：
  • 输入解析：处理文本、语音、文件等多模态输入。
  • 流式输出：将 Agent 的思考（推理过程）和操作（调用工具）实时推送给用户，而不是干等几秒钟后才弹出结果（这是建立信任的关键）。
  • 人机交互（HITL）：在执行"删除数据库"或"发送邮件"等高风险操作前，挂起流程等待人工确认。

第 2 层：认知与决策层（大脑层）

主要作用：解决Agent自主思考能力，接下来该做什么？

• 核心职责：这是 Agent 的"中央处理器"，负责推理、规划和决策。这一层不关心具体怎么执行，只列计划，“先做 A，再做 B”。
• 关键组件：
  • 系统提示词（System Prompt）：定义 Agent 的角色、性格和基本行为准则。
  • 推理循环（Reasoning Loop）：像 ReAct（推理+行动）模式，在大脑中反复进行“思考-行动-观察”的迭代。
  • 任务分解（Planning）：将复杂目标拆解为可执行的子任务列表，也就是我们常说的 Todo List。。

第 3 层：工具与执行层（手脚层）

主要作用：具体的事情谁来做？

• 核心职责：负责与外部世界交互，把大脑的决策落地为实际操作。这一层将所有 API、函数、脚本统一封装成标准接口，也就是我们熟悉的 Skill、Tools、MCP 等外部工具——无论是搜索引擎、数据库、代码解释器，还是业务系统 API，都通过这一层标准化接入。
• 关键组件：
  • 工具注册与调用：定义输入参数和输出格式，让大脑层只需知道“能做什么”，不用关心“怎么连”。
  • 权限管控：区分只读工具和写入工具，控制调用范围。

第 4 层：记忆与状态层（数据层）

主要作用：存储我们和Agent的历史对话信息？

• 核心职责：解决 LLM 上下文窗口有限的天然短板，负责数据的存储、检索和压缩。
• 关键组件：
  • 短期记忆：当前会话的完整上下文。
  • 长期记忆：跨会话存储用户偏好、历史事实、业务知识（也就是 RAG 的基础）。
  • 状态快照：保存任务执行进度，用于中断后恢复。
  • 上下文压缩：当对话过长时，自动总结旧历史，只保留关键信息进入上下文。

第 5 层：基础设施与运维层（底座层）

主要作用：复制Agent的运行环境，保证它 7x24 小时正常运行

• 核心职责：这是看不见的"水电煤"，负责 Agent 的运行环境和稳定性。
• 关键组件：
  • 持久化执行（Durable Execution）：当代码运行到一半服务器重启，能从刚才的断点继续跑，而不是从头开始（这也是解决长任务的核心）。
  • 可观测性（Observability）：日志（Logs）、追踪（Traces）、指标（Metrics）。能看清每一步花了多少钱、多少秒，出错了能快速定位。
  • 密钥管理（Secrets）：安全存储 API Key 和数据库密码。

LangChain Agent 架构划分

而在 langchain 中 ，Agent 被分层三层构建

Agent Runtime（运行时层）— LangGraph

这是Agent 的最底层, 负责保证Agent 的正常运行，它提供了一个基于图（Graph）的执行引擎，支持上面所有这些生产级特性。你可以把它理解为 Agent 世界的”操作系统”——所有上层应用都运行在它之上。主要解决：

• 持久化执行（Durable Execution）：Agent 运行到一半崩溃了，能从断点恢复
• 流式输出（Streaming）：让用户实时看到 Agent 的思考和操作过程
• 人机协作（Human-in-the-Loop）：在关键操作前暂停，等待人工审批
• 状态管理（Persistence）：跨对话保存上下文

Agent Framework（框架层）— LangChain

这是中间层，主要是方便人们基于 Agent Runtime 层构建自己的Agent, 提供更高层次的开发体验：模型抽象、工具接口、Agent 循环、中间件（Middleware）等。
他的价值在于标准化和易上手。你不需要关心底层的执行引擎、状态持久化逻辑，框架帮你处理好了。

Agent Harness（工具层）— Deep Agents

Agent Harness 是最上层，一个"开箱即用"的 Agent 套件，它在 Runtime 和 Framework 的基础上，预置了一整套经过验证的工具和能力。

这个概念怎么理解？打个比方：

• Runtime 给你提供了工作台、电源、安全护具（底层基础设施）
• Framework 给你提供了锤子、锯子、钉子（标准化开发工具）
• Harness 直接给你一个装好了的工具间，常用工具挂在墙上，工作流程贴在白板上（开箱即用）

Deep Agents 就是这样一个 Harness。它利用 LangChain 的核心构建块（模型、工具接口），运行在 LangGraph 的运行时之上，并预置了：

能力	说明
虚拟文件系统	read_file、write_file、edit_file、ls、glob、grep 六大文件操作工具
任务规划	write_todos 工具，让 Agent 能把复杂任务拆解为可追踪的步骤
子 Agent 委派	task 工具，让 Agent 能将子任务派发给专门的 Agent
长期记忆	基于 LangGraph Memory Store，支持跨对话的持久化记忆

三层关系:

层次	代表	核心价值	适用场景
Runtime（底层）	LangGraph	持久化执行、流式输出、人机协作、状态管理	需要精细控制的长期运行 Agent 和复杂工作流
Framework（中间层）	LangChain	模型抽象、工具接口、Agent 循环、中间件	快速上手、构建标准化的 Agent 应用
Harness（上层）	Deep Agents	预置工具、提示词、子 Agent、长期记忆	复杂多步骤任务、自主性较高的 Agent

三者不是互相替代的关系，而是自底向上层层构建。
LangGraph 是底层运行;
LangChain 构建在 LangGraph 之上提供更高层抽象, 方便人们开发构建;
Deep Agents 则在两者之上提供开箱即用的 Agent 能力。

你可以根据需求选择在不同层次上工作——需要最大灵活性就直接用 LangGraph，需要快速开发就用 LangChain，需要解决复杂任务就用 Deep Agents。

说说 Harness

Agent Harness 是近一年来AI工程领域最重要的范式转变之一; 他的兴起源于一个关键认知：顶级模型之间的智商差距正在缩小，而真正决定 Agent 能力上限的，是模型之外的那套基础设施。
核心思想可以用一个公式概括：

Agent（智能体）= Model（模型）+ Harness（底座）。

LangChain 团队曾做过一个著名实验，在不更换模型的前提下，仅通过优化 Harness（系统提示、工具、中间件等），就将他们的编码 Agent 在 Terminal Bench 2.0 基准测试中的排名从**前30名提升到了前5名。这证明了 Harness 的巨大价值。

目前，主流AI公司都在构建自己的 Harness，例如 LangChain 的 Deep Agents、DeepSeek Harness以及 OpenAI 的 Codex 和 Anthropic 的 Claude Code 等。

核心定义：Harness 是什么？

简单来说，Agent Harness 是模型之外的一切。如果说大语言模型是 Agent 的"大脑"，负责思考和推理，那么 Harness 就是它的"手脚和神经系统"，负责让Agent真正"动手干活"。

它提供一套完整的软件支撑框架，将模型的智能转化为在真实世界中持续、可靠工作的能。

为什么需要 Harness？一个生动的类比

一个很好的类比是：模型是CPU，而Agent Harness就是操作系统

• 裸模型（只有CPU）：很聪明，但不知道该记住什么、忘掉什么，也不知道工具调用失败了该如何处理。它只是一个孤立的推理引擎。

• Agent（带操作系统的完整电脑）：有了 Harness 这个"操作系统"，模型才能高效、可靠、持续地运行。它管理着工具调用、文件读写、记忆存储、错误恢复等一切让智能得以"落地"的工程化能力。

Harness 的核心构成

一个成熟的 Agent Harness 通常包含以下核心模块：

• 工具与执行（Tools & Execution）：提供标准接口（如MCP）让 Agent 能调用搜索引擎、读写文件、执行代码等。
• 记忆与状态（Memory & State）：管理短期上下文和长期记忆，让 Agent 在多轮对话中保持连贯，避免"失忆"。
• 规划与编排（Planning & Orchestration）：支持 ReAct 等推理循环模式，将复杂任务拆解为可执行的步骤。
• 上下文管理（Context Management）：动态管理有限的上下文窗口，确保模型看到最相关的信息。
• 安全与恢复（Safety & Recovery）：提供沙箱隔离、错误处理与重试机制，保证稳定运行。

Agent Harness 代表了 AI 工程化的重要趋势：从"哪个模型更强"转向"哪个系统更稳"。通过为模型提供一整套完备的"生命支持系统"，将模型的智能潜力真正释放出来，完成真实世界中的复杂任务。

Deep Agents

lanfchain 退出的 Agent harness 框架。

核心思想是 Context Engineering也就是上下文工程。

传统 Agent 开发的上下文处理方式:

所有的信息都塞在 Prompt 提示词中, 大致逻辑为 :

System: 你是一个xxx助手。xxxxx
User: 请帮我重构 src/ 下的代码。
[附带: 20 个文件的完整内容，共 100000 tokens]

局限很明显, 将所有的上下文信息全部放在提示词中，会造成大量的上下文，导致:

• 上下文窗口溢出：LLM 有 token 上限，文件一多就装不下
• 注意力稀释：信息越多，LLM 对关键信息的关注度越低
• 不可扩展：无法处理任意规模的项目

Deep Agents 的方法 :

引入一个虚拟文件系统，让 Agent 像人类一样工作：

• 需要读文件时，调用 read_file 按需读取
• 需要记录中间结果时，调用 write_file 写到文件里
• 需要搜索时，调用 grep 或 glob 查找
• 大文件只读取需要的部分（offset / limit 参数）

这样，Agent 的上下文里只保留当前步骤真正需要的信息，其余的都存在文件系统中，需要时再取。

更巧妙的是，这个"文件系统"是虚拟的、可插拔的：

• 可以是内存中的临时存储（开发调试用）
• 可以是本地磁盘（处理真实文件）
• 可以是持久化数据库（跨会话保持记忆）
• 可以是远程沙箱（安全执行代码）
• 甚至可以混合使用（不同路径路由到不同后端）

这就是 Context Engineering——不是把所有信息都喂给 LLM，而是为 LLM 构建一个高效获取和管理信息的基础设施。

同阶对比

市场上有三个主要的 Agent Harness：Deep Agents、Claude Agent SDK、Codex SDK。我们来看看它们的异同。

定位差异

维度	Deep Agents	Claude Agent SDK	Codex SDK
用途	通用 Agent（含编程）	自定义 AI 编程 Agent	预构建的编程 Agent
模型支持	模型无关（Anthropic、OpenAI、Google、开源等 100+）	绑定 Claude 系列	绑定 OpenAI 系列
SDK 语言	Python + TypeScript	Python + TypeScript	TypeScript
执行环境	本地 + 远程沙箱 + 虚拟文件系统	本地	本地 + 云端
开源协议	MIT	MIT（底层 Claude Code 专有）	Apache-2.0

核心能力对比

三者在核心工具层面非常接近——文件读写、Shell 执行、搜索、规划、子 Agent、MCP、人机协作、Skills——都有覆盖。

真正的差异在架构层面：

Deep Agents 的独有优势：

• 模型灵活性：随时切换模型提供商，不锁定任何厂商。这对企业级应用至关重要
• 长期记忆（Long-term Memory）：通过 Memory Store 实现跨会话、跨线程的持久化记忆。Claude Agent SDK 和 Codex SDK 都不支持这一特性
• 虚拟文件系统 + 可插拔后端：将文件操作抽象为统一接口，后端可以是内存、磁盘、数据库或沙箱
• Sandbox-as-Tool 模式：Agent 在本地运行，但可以把特定操作（如代码执行）发送到远程沙箱中执行。这是 Deep Agents 独有的设计
• 生产部署：通过 LangGraph Platform 部署，配合 LangSmith 实现完整的可观测性

Claude Agent SDK 的独有优势：

• 与 Claude 模型的深度集成
• Hooks 系统，便于拦截和控制 Agent 行为
• 支持自定义 HTTP/WebSocket 层和容器化部署

Codex SDK 的独有优势：

• OS 级别的沙箱模式（read-only、workspace-write、danger-full-access）
• 内置 MCP Server 模式
• 云端执行环境

为什么没有 Deepseek Harness

因为 DeepSeek Harness 的定义层级和 Deep Agents、Claude Code 和 Codex 等不一样，后者是在提供更强大的" 成品工具" ，而 DeepSeek Harness 则在试图定义"制造工具" 的规则。

他的核心原则是 一切皆插件

在 Deep Agents、Claude Agent SDK 等框架中，存在一个不可变的"核心"（如 Agent 循环、上下文管理），开发者只能在外围添加 Skills 或 MCP 工具。

而 DeepSeek Harness 的架构则完全不同：

一层 Cordis 运行时
├── 模型适配器 ← 插件
├── 工具注册表 ← 插件
├── 会话/存储  ← 插件
├── 沙箱/权限  ← 插件
├── agent 循环 ← 插件  ← 连”大脑”的运行方式都能换！
├── 调度/任务  ← 插件
└── UI        ← 插件

没有“核心”，整个 Harness 自身就是由插件组合而成。这意味着你可以替换任何组件，甚至 Agent 的主循环。

如何选择？

• 如果你需要模型灵活性和跨会话记忆 → Deep Agents
• 如果你的团队全面使用 Claude → Claude Agent SDK
• 如果你的团队全面使用 OpenAI → Codex SDK
• 如果你需要完整的生产部署和可观测性方案 → Deep Agents + LangSmith