LangChain Blog · 2026/10/14 00:04:23
LangChain 开源 Deep Agents Deploy：提供模型无关智能体托管以对抗闭源锁定
LangChain 推出开源智能体部署工具 Deep Agents Deploy，旨在为开发者提供不依赖特定模型的智能体运行环境。该工具基于 Deep Agents 框架，强调用户拥有记忆控制权，避免数据被锁定在专有平台或单一模型中。目前处于 Beta 阶段，支持将智能体编排逻辑快速转化为生产就绪状态。
报道全文原始报道全文
本文目录8 个章节
今天，我们正式推出 Deep Agents deploy 的 Beta 版本。Deep Agents deploy 是部署模型无关（model-agnostic）开源 Agent Harness 的最快方式，且具备生产就绪特性。
Deep Agents deploy 为开放世界而生。它基于 Deep Agents——一个开源、模型无关的 Agent Harness 构建而成。Harness 与记忆（memory）紧密绑定，这意味着选择开源 Harness 即意味着你拥有对记忆的完全控制权，而非将其锁定在专有 Harness 中或绑定于单一模型。
Harness 工程 → 生产环境
过去几个月，“harness engineering”（Harness 工程）已逐渐发展成为一门学科，旨在通过构建 Harness 将 LLM 转化为 Agent。这些 Harness 包含编排逻辑、工具和技能，构成了 Agent 的基础，同时允许开发者提供自定义指令、工具和技能，以根据具体用例定制 Harness。
要进入生产环境，通常需要完成以下几个步骤：
- 以多租户、可扩展的方式部署 Agent 编排逻辑和记忆
- 设置沙箱（sandbox），使其在每个 Agent 会话启动时自动创建
- 搭建用于与 Agent 交互的端点，涵盖从 MCP 到 A2A，以及支持人机协同（human-in-the-loop）、记忆管理等功能的其他接口
今天，我们将上述所有步骤整合为一个命令：deepagents deploy
你正在部署什么？
使用 deepagents deploy，你部署的是你的自定义 Agent。你需要指定以下几个参数：
model：要使用的大语言模型（LLM）。Deep Agents 兼容任何模型或模型提供商，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，用于指定在会话开始时加载的指令。skills：这些是 Agent Skills，通过 Markdown 文件提供专业知识，并通过脚本执行特定操作。更多详情请参阅我们的 Skills docs。mcp.json：这些是智能体可以通过 MCP 协议（HTTPS/SSE）调用的工具。sandbox：如有需要，你可以指定一个 sandbox 供智能体执行任务和运行技能。Deep Agents 开箱即用地集成了 Daytona、Runloop、Modal 或 LangSmith Sandboxes。任何沙箱提供商均可与 Deep Agents 配合使用；请参阅我们的 implementation guide。
部署
在底层，deepagents deploy 会将你的 Deep Agent 与其专属的 LangSmith Deployment 服务器打包在一起。这是一个生产就绪、支持水平扩展的服务器。
它会启动一个包含 30+ 个端点的服务器，其中包括以下端点：
- MCP；以便你将已部署的智能体作为工具调用
- A2A；以便在多智能体环境中调用已部署的智能体
- Agent Protocol；以便轻松编写美观的用户界面来与已部署的智能体交互
- Human-in-the-loop；以便为智能体能做或不能做的事情添加护栏，而无需人工干预
- Memory endpoints；以便轻松访问智能体的短期或长期记忆
开放生态系统
deepagents deploy 的一个关键部分在于融入开放生态系统。具体而言：
- 我们使用
deepagents，这是一个完全开源、采用 MIT 许可证的框架（harness），同时支持 Python 和 TypeScript - 我们使用
AGENTS.md，这是一种开放标准，用于指定智能体指令 - 我们使用 Agent Skills，这是一种开放标准，用于向智能体提供专业知识
- 我们与所有模型提供商集成，让你拥有完全的控制权。没有 Anthropic 锁定，你可以为任务选择最佳的模型组合，甚至包括开源模型。
- 我们与所有沙箱（sandbox）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 暴露智能体——这些都是开放标准
- 你可以自托管 LangSmith Deployments，从而自行托管并拥有你的记忆数据
与 Claude Managed Agents 的比较
Claude Managed Agents 是近期推出的另一款具有竞争力的产品。其高层架构（框架、智能体服务器、沙箱）相同，但 Claude Managed Agents 是一个封闭花园（walled garden），造成了大量的供应商锁定。
记忆
对于智能体框架和智能体平台而言，开放生态系统之所以重要，核心原因在于“记忆”。
智能体框架与记忆紧密相连（Sarah Wooders 撰写了一篇关于此主题的极佳文章）。框架的关键作用之一是管理上下文（记忆本质上就是上下文）。随着框架中越来越多的部分变得封闭并被锁定在 API 之后，你的记忆也随之被锁定。
实际上，从一个模型切换到另一个模型相当容易（当然，你可能需要稍微调整提示词，但这并不困难）。因此，仅就模型 API 而言，锁定效应并不严重（正如我们最近看到的从 OpenAI 向 Anthropic 的大规模迁移所示）。
当你开始将记忆封装在这些 API 背后——无论是短期记忆还是长期记忆——都会产生极强的锁定效应。
想象一下，你正在构建一个内部 SDR（销售开发代表）智能体。它起初功能简单，但随着与用户的交互，它会实时学习。这些记忆不断积累——但它们全部被封闭在专有 API 之后。如果你想迁移出该运行框架，或者更换底层模型，就意味着必须重置智能体的记忆，一切从头开始。
对于面向客户的外部智能体而言，情况甚至更糟。你构建了一个对外服务的销售智能体，它会逐步积累与其交互的客户记忆。所有这些记忆都隐藏在封闭的 API 之后。这些记忆本应是你数据飞轮的一部分，旨在随时间推移不断优化客户体验。然而，它们已不再属于你——而是归属于那个封闭 API 的所有者。
deepagents deploy 以标准格式存储记忆（AGENTS.md、技能文件及其他相关文件），允许你通过 API 直接查询这些记忆；如果你选择自托管，则能确保记忆始终仅保留在你自己的数据库中。
尝试开源运行框架
基于专有运行框架构建智能体会造成严重的锁定效应。我们坚信，智能体的构建与部署应当简便高效，同时用户仍应保有对模型选择的自主权，并真正拥有自己的记忆数据。
如果你也认同这一理念，不妨今天就试试 deepagents deploy。
关键链接：
洞察智能体的真实行为
LangSmith 是我们的智能体工程平台，帮助开发者调试每一个智能体决策、评估变更，并实现一键部署。