LangChain Deep Agents 评测：Agent Harness 能否用于生产？
LangChain Deep Agents 是一套能力齐全的 Agent Harness，不是新模型，也不是 LangGraph 的替代品。它围绕 LangChain Agent Loop 提供文件工具、上下文管理、子 Agent 委派、记忆、审批与可选代码执行。对于真正需要长期运行 Harness 的任务，它能缩短从原型到生产试点的路径。
多数 Framework 横向对比没有回答采购方最关心的问题：安装 Deep Agents 后，团队还要设计、加固和运营什么？这个答案决定了它是在节省数月工程时间，还是增加一层维护成本。
投入工程预算前，需要一项可辩护的 Deep Agents 决策？
规划 Agent 试点LangChain Deep Agents 是什么？
Deep Agents 是一套 MIT 许可证开源 Harness，适合需要拆解工作、管理文件与不断增长的上下文、委派隔离任务、保留记忆并等待人工审批的 Agent。官方 Repository 将其定义为基于 LangGraph、带有明确默认选择但组件可替换的层。项目提供 Python 与 TypeScript 实现。
| 层 | 负责什么 | 何时使用 |
|---|---|---|
| LangGraph Runtime | Durable Execution、Checkpoint、State、Streaming 与底层编排 | 需要自定义 Graph，或混合确定性步骤与 Agent 步骤 |
| LangChain Framework | 模型、工具、标准 Agent Loop、Middleware 与集成 | 需要更轻的 Agent，并自行选择能力 |
| Deep Agents Harness | 文件、上下文压缩、记忆、子 Agent、Skills 与执行环境 | 需要为复杂不确定任务准备好的 Harness |
这一区分会影响架构。LangChain 的官方 Stack 对比建议在复杂多步骤任务，以及需要现成文件、Shell、上下文与子 Agent 能力时使用 Deep Agents。如果必须控制 Loop 本身，应直接使用 LangGraph。
Deep Agents v0.7 改了什么？
截至 2026 年 8 月 23 日，当前 Python 版本是2026 年 8 月 20 日发布的 deepagents 0.7.8。应固定经过测试的版本。对于快速变化的 Beta Package，浮动依赖可能让普通升级变成架构变更。
v0.7 比 Patch 号更重要。LangChain 从默认 Harness 移除 Todo 规划，让内置 Middleware 更容易替换，并声称将基础 System Prompt 与工具描述 Token 减少了 65%。维护者表示，其 Eval 显示默认 Todo List 增加了成本与延迟，却没有改善性能。需要时仍可选择启用规划。
这说明一个生产原则：更多自动化默认功能不一定更好。每段 Prompt、每次 Model Call 与每个委派任务都必须在自己的 Eval Set 中证明价值。
Deep Agents 架构如何运行？
- 主 Agent 获得任务与工具。团队定义模型、业务工具、System Prompt 与 Middleware。
- 虚拟文件系统保存工件。Backend 可以使用会话 State、本地文件、持久 Store、Composite Route 或 Sandbox。
- 长任务会压缩上下文。大型工具结果可写入文件，摘要控制活跃上下文大小。
- 子 Agent 隔离重任务。主 Agent 只接收结果，不需要吸收全部中间 Token。
- LangGraph 保存 Checkpoint。配置生产 Checkpointer 后，失败或暂停的 Run 可以继续。
Quickstart 不等于生产系统。真实部署还需要用户认证、Tenant State 隔离、Checkpointer、Sandbox Policy、Secret 管理、Eval、预算上限与恢复方案。LangChain 的生产指南明确不建议部署 Agent 使用可直接访问 Host 的 Backend，并覆盖 Multi-tenancy、Credential、Durability、Sandbox、Rate Limit 与隐私。
LangChain Deep Agents 安全吗？
Deep Agents 提供安全控制，但它本身不是完整安全边界。项目采用 Trust-the-LLM 模型，工具决定模型能做什么。文件规则、Sandbox 隔离、最小权限 Credential 与审批 Gate 必须在 Prompt 之外强制执行策略。
| 风险 | 必要控制 | 负向测试 |
|---|---|---|
| 跨 Tenant 记忆访问 | 按用户划分 Store Namespace，默认拒绝授权 | 尝试读取或覆盖其他 Tenant 工件 |
| 代码执行危及 Host | 临时 Sandbox、资源限制与受限 Egress | 尝试访问 Host 文件、Metadata Service 与开放网络 |
| Prompt Injection | 类型化工具、标记不可信数据、最小权限 | 在 Retrieval 与持久记忆中放置冲突指令 |
| 不可逆业务行动 | 人工审批、Idempotency Key 与服务端策略 | 重放已批准操作，或在 Resume 前修改参数 |
| 成本失控 | 每次 Run 的 Call、Token、时间与金额上限 | 强制循环、重复委派与超大工具输出 |
审批是 Workflow 功能，不是 Prompt 中的一句请求。Deep Agents 使用 LangGraph Interrupt。Human-in-the-loop 文档要求使用 Checkpointer，才能安全暂停并继续批准、编辑或拒绝决策。最终授权还必须放在业务服务中。模型输出与支付、删除或外部消息之间，不能只有 Agent 这一道控制。
Deep Agents 的成本是多少？
该 Library 使用 MIT 许可证，没有 Deep Agents Runtime License Fee。应关注每次被接受行动的成本，而不是单纯 Token 单价。
月度 Agent 成本 = 模型调用 + 子 Agent 调用 + Sandbox 计算与存储 + Runtime 与数据库 + Trace 与 Eval + 工程与审核。
| 成本项 | 为什么增长 | 如何控制 |
|---|---|---|
| 模型 | 长 Run、Retry、摘要与子 Agent Fan-out | 按任务路由模型、限制委派、评测 Prompt 变更 |
| Sandbox | 长期环境、大型工件与闲置容量 | Thread Scope、TTL 清理与资源上限 |
| Observability | Trace 数量、Retention 与 Eval Sampling | 保留错误与成功样本，只导出必要字段 |
| 人工审核 | 低精度、审批信息不清与反复修改 | 同时展示证据、行动、Diff、置信度与 Rollback |
| 平台工程 | Auth、权限、Connector、Eval、值班与升级 | 在 Demo 前明确预算与 Owner |
Managed LangSmith 是可选项，不包含在开源许可证中。其当前定价页分别计算 Seat、Trace、Deployment、Sandbox 与其他用量。模型提供商费用仍可能占主要部分。应在试点中记录每项成本。
什么时候应该选择 Deep Agents？
只有同时满足以下四项，Deep Agents 才更可能值得采用：
- 工作包含多个步骤，无法可靠地表示为短小确定性流程。
- Agent 需要在长上下文中创建、检查或修改工件。
- 并行或专业子 Agent 能改善吞吐量或上下文隔离。
- 业务价值足以覆盖 Sandbox、Eval、审核与长期运维。
如果一次模型调用加少量工具就能完成任务、Workflow 完全确定、只需 Retrieval 与引用答案，或者团队尚不能运营身份、权限、日志和事故响应，就应选择更轻的方案。官方Deep Agents 模型评测页也强调：通过基础 Harness 操作只是必要条件，并不足以证明模型能完成更长、更复杂的任务。
如何运行生产试点？
- 选择一个边界清晰的 Workflow。优先考虑高频、可审核、有明确 Owner 的工作。
- 记录人工 Baseline。测量完成率、耗时、审核时间、错误类别与当前成本。
- 建立 Acceptance Set。包含正常案例、歧义、Prompt Injection、权限违规、故障与重复行动。
- 从 Read-only 开始。使用 Sandbox 与合成或脱敏数据，所有外部副作用必须审批。
- 衡量结果。追踪被接受任务、审核修改、p50 与 p95 延迟、成本、策略违规和恢复时间。
- 提前设定停止规则。如果 Harness 的改善不足以覆盖运维与审核负担，就停止。
Deep Agents 常见问题
Deep Agents 与 LangGraph 是一回事吗？
不是。LangGraph 是用于有状态 Durable Workflow 的底层 Runtime，Deep Agents 是在这些能力上构建的预制 Harness。需要显式编排时，仍可把自定义 Compiled LangGraph 作为子 Agent。
Deep Agents 达到生产要求了吗？
底层 Runtime 具备生产能力，但应用只有在身份、Tenant 隔离、工具权限、Sandbox、审批、Eval、Observability、预算和恢复路径通过自己的测试后才算生产就绪。Beta 状态与高频 Release 仍是升级风险。
Deep Agents 支持 Python 与 TypeScript 吗？
支持。应核对所选语言的功能一致性与版本兼容性，固定完整依赖集合，并测试完全相同的版本。
商业决策应该怎么做？
如果替代方案是自行构建同一套 Harness 能力，Deep Agents 可能很有价值。如果团队把内置自治能力误认为完成了产品工程，它就不合适。企业真正投资的不是 Library，而是一条拥有自有数据、行动受控、质量可衡量且有人负责运维的可靠流程。
架构层面的选择可以先看我们的AI 智能体图工程指南，并对比TrueForge Agent Harness 评测。Wavect 的 AI Enablement 服务可以把候选 Workflow 转化为 Acceptance Set、Sandbox 实现与生产交接。还可以查看 Twinsoft AI 案例，使用软件开发方式决策指南，或预约 Deep Agents 架构评审。