LangChain 发布 Deep Agents：自主智能体框架

LangChain 在 2026 年 1 月发布了 Deep Agents，确实有点东西。不过先说结论：这不是什么颠覆性的技术创新，而是把业界验证过的最佳实践，打包成了一个开箱即用的框架。 什么是 Deep Agents过去两年，大家都在卷 Agent 架构。Claude Code、Deep Research、Manus 这些工具证明了三点：

Agent 需要规划能力 —— 不能上来就开干，得先拆解任务 Agent 需要文件系统 —— 长对话中，得有地方放中间结果 Agent 需要子 Agent —— 单体 Agent 会被上下文撑爆

DeepAgents是LangChain团队基于LangChain + LangGraph打造的一个agent harness（代理框架）。

简单说，就是一个现成Agent，你pip install一下，几行代码就能跑起来一个能干活的超级代理。

官方一句话总结得特别到位：

“Instead of wiring up prompts, tools, and context management yourself, you get a working agent immediately and customize what you need.”

翻译一下：你不用自己去手撸一堆prompt、工具、上下文管理，它直接给你一个能跑的Agent，想改哪里改哪里。

核心能力就四件事Deep Agents 的定位很明确："The batteries-included agent harness" —— 开箱即用的 Agent 框架。
它内置了四件事：规划内置write_todos/read_todos工具。Agent 收到任务后，强制先写个 Todo List。这个设计我觉得挺聪明的。不是让 Agent 在脑子里想，而是把计划写下来，显式地跟踪进度。我之前在写自动化写作工作流的时候，也是这么做的 —— 先有 Brief，再写大纲，再执行。Deep Agents 把这个过程固化成了工具。文件系统内置read_file、write_file、edit_file、ls、glob、grep这些工具。这个很重要。当 Agent 做了一个长搜索，结果 10,000 tokens，它不会一股脑塞进下一轮 Prompt，而是先写到文件里。需要的时候再读回来，或者直接 grep 搜。这就解决了一个叫 "Context Rot" 的问题 —— 上下文越长，模型越傻。Chroma 的研究已经验证过这个现象。子 Agent内置task工具，可以动态 spawn 子 Agent。子 Agent 有独立的 Context Window，把脏活累活做了，只给主 Agent 返回结果。LangChain 的文档给了一个很直观的例子：主 Agent 需要做 20 次网络搜索，如果自己来做，Context 窗口瞬间就满了。但它可以 spawn 一个子 Agent，让子 Agent 去做这些搜索，子 Agent 内部处理 20 次调用，最后只给主 Agent 返回一个 200 字的总结。这个数据还挺猛的 —— 20 次调用变成 200 字总结，节省了 99% 的 Context。上下文自动压缩当对话达到 170k tokens（默认阈值）时，自动触发摘要。Agent 会生成一个结构化的摘要，包括：

Session Intent（这次对话的目标） Artifacts Created（创建了哪些文件） Next Steps（接下来该干嘛）

uv toolinstalldeepagents-cli deepagents

GitHub地址：

https://github.com/langchain-ai/deepagents