Deep Agents 是 LangChain 推出的「开箱即用的智能体 harness（运行框架）」。它是一个有明确预设、装好就能跑的智能体——但每一部分都可被扩展、覆盖或替换。它构建在 LangGraph 之上，把规划、文件系统、子智能体、上下文管理、技能等长程多步任务所需的能力打包成默认配置（batteries-included），同时保持模型无关（任何支持工具调用的 LLM 都可用）。许可为 MIT，约 23,245 stars；另有 JavaScript/TypeScript 版本 deepagents.js。项目自述灵感来自 Claude Code——试图提炼出让它「通用」的要素并进一步推进。
来源：README.md（首段、Principles、Acknowledgements）；GitHub 仓库元数据（stars=23245、license=MIT、homepage docs.langchain.com/deepagents） 查看 GitHub 仓库 →2025–2026 年「智能体 harness」（在模型循环之上提供规划、记忆、工具、子智能体等通用脚手架）成为构建可用 AI 代理的关键层。Deep Agents 来自 LangChain 生态、构建在成熟的 LangGraph 之上，主打「开箱即用 + 可逐件替换 + 模型无关 + 生产就绪」，并明确定位在 LangChain 的 create_agent 之上、提供更完整的预设中间件。它还附带一个类似 Claude Code/Cursor 的预构建终端编码智能体（Deep Agents Code）。背靠 LangChain 生态与 LangSmith 的可观测/评估/部署能力，使其在想快速搭建长程智能体的开发者中关注度高。截至数据采集约 23,245 stars。
来源：README.md（Principles、FAQ 的分层说明、Deep Agents Code 注记）；GitHub 仓库元数据（stars=23245）把任务委派给拥有独立上下文窗口的子智能体，避免主线程上下文被污染；任意 LangGraph 编排图都可作为子智能体接入。
来源：README.md（Features → Sub-agents；FAQ 的 CompiledStateGraph 子智能体说明）对可插拔的本地/沙箱/远程后端读写、编辑、搜索文件，并能在所选沙箱中运行 shell 命令。
来源：README.md（Features → Filesystem、Shell access）对长线程做摘要、把工具输出卸载到磁盘以控制上下文；通过可插拔的 state/store 后端实现跨会话记忆。
来源：README.md（Features → Context management、Persistent memory）工具调用执行前可由人审批、编辑或拒绝；技能（Skills）是可按需加载的可复用行为，工具可自带函数或接入任意 MCP server。
来源：README.md（Features → Human-in-the-loop、Skills、Tools）支持任何具备工具调用的 LLM（前沿 API、开放权重、本地 Ollama/vLLM/llama.cpp）；构建在 LangGraph 上，具备流式、持久化、检查点，配 LangSmith 做追踪/评估/部署。
来源：README.md（Principles、FAQ 的开放权重/生产问题）Deep Agents 是分层栈中的最上层 harness：LangGraph 是图运行时，LangChain 的 create_agent 是其上的最小 harness，Deep Agents 则是 create_agent 之上更有预设的 harness——同样的构件，但内置了文件系统、子智能体、上下文管理和技能等中间件。核心入口是 Python 的 create_deep_agent（传入 model、tools、system_prompt 即可），返回的智能体能规划、读写文件、自管上下文。各能力都做成可插拔后端：文件系统可选本地/沙箱/远程，记忆/状态可选不同 store 后端，shell 在所选沙箱中执行。由于它本质是 LangGraph 上的智能体，天然获得流式、持久化、检查点能力，并能与 LangSmith 的追踪/评估/部署对接；任何 LangGraph 的 CompiledStateGraph 都能作为子智能体传入，便于把自定义编排与默认 harness 组合。仓库的 examples/ 提供了大量可运行模式（异步子智能体服务、深度研究、内容生产等）。
来源：README.md（FAQ 的三层关系、Features、Quickstart）；git tree（examples/ 各目录）中心为项目本体，内环 = 核心功能模块，外环 = 关键技术依赖；按 deep.json 中的 core_features 与 tech_stack.key_deps 自动生成
langgraphlangchain（chat models 抽象）可选 MCP server 接入ripgrep（文件搜索）适合需要构建长程、多步、可委派的 AI 智能体的开发者：研究助手（检索并写报告）、内容生产（博客/社媒等多子智能体协作）、需要文件系统与 shell 的自动化任务、以及希望在 LangGraph/LangChain 生态内快速拿到「带规划+上下文管理+子智能体」完整 harness 的团队。需要更轻量时可降到 LangChain 的 create_agent，需要完全自定义循环时降到 LangGraph——三层可组合。由于采用「信任 LLM」模型，涉及敏感操作的场景必须在工具与沙箱层设好边界。
来源：README.md（Quickstart、examples、FAQ 的分层选择、Security）最新发布为 deepagents==0.6.3（2026-05-20），以 bug 修复为主：把 ripgrep 的 glob 锚定到搜索根目录、为缺少 ID 的消息在 _messages_delta_reducer 中分配 UUID、澄清系统提示中的技能来源标签、以及在把记忆内容注入系统提示前剥离 HTML 注释（后者也是一项安全/稳健性改进）。整体是一个偏稳定性与细节修复的小版本。
来源：GitHub releases/latest（deepagents==0.6.3，Bug Fixes 段落）Deep Agents 给「智能体 harness」这一关键层提供了一个来自 LangChain 生态、构建在 LangGraph 上的成熟选择：开箱即用、模型无关、生产就绪，且每一部分都可替换。对想快速搭建带规划、上下文管理、子智能体和技能的长程智能体、又愿意用 LangChain/LangSmith 生态的团队，它是很顺手的起点；它对 Claude Code 的借鉴也使其在通用智能体能力上有清晰的设计目标。要权衡的是生态绑定、对 LangSmith 的依赖，以及「信任 LLM」模型下必须自己在工具/沙箱层把好安全边界。
来源：综合 README.md 的定位/分层说明、Security 模型与 release 信息