Deep Agents：从代理循环到托管服务的演进

引言

如果你正在构建 AI 代理（Agent），可能已经发现：让代理跑起来只是第一步，真正难的是当大量用户同时调用同一个代理时，如何管理好每个用户的凭证和记忆。最近，关于「Deep Agents」的讨论在开发者社区中引发关注，其核心观点明确指出：Deep Agents 本身是一个 harness——即代理循环（agent loop），而「托管 Deep Agents」则在此基础上增加了当大量用户共享同一代理时所必需的能力：每个用户独立的凭证和记忆。

这条来自 Twitter 的简短推文，虽然只有两句话，却精准点出了代理技术栈中一个关键的分层：基础循环与规模化服务之间的差距。

什么是 Deep Agents？

根据原推文的定义，Deep Agents 被描述为「harness - the agent loop」，即一个驱动代理运行的基础框架或循环机制。在 AI 代理的语境中，代理循环通常指代理感知环境、做出决策、执行动作并观察结果的迭代过程。Deep Agents 作为 harness，负责管理这一循环的运转，为代理提供核心的运行时支持。

这一层是代理的「发动机」，它定义了代理如何思考与行动，但不涉及多用户环境下的复杂需求。

Harness 的工程含义：在软件与 AI 系统语境中，harness（字面意为“挽具”）通常指包裹核心逻辑、提供运行环境与标准接口的外壳层。它负责调度执行、注入配置、捕获错误并暴露生命周期钩子，使底层模型或算法无需关心外围基础设施。把 Deep Agents 称为 harness，意味着它并不等同于模型本身，而是模型与工具、环境之间的编排层——决定何时调用工具、如何拼接上下文、何时终止循环。理解这一点有助于区分“代理能力”与“代理运行时”：前者由模型与提示决定，后者由 harness 的调度策略、超时控制、重试机制等工程实现决定。

代理循环（Agent Loop）的典型结构：代理循环一般包含感知、规划、行动、观察四个阶段，并以条件判断决定是否继续迭代。常见模式如 ReAct（推理与行动交替）和 Plan-and-Execute（先规划后执行）。循环的终止条件、最大步数、工具调用的幂等性处理，都是 harness 层需要设计的细节。这些机制直接决定代理的可靠性、成本与延迟，也是单用户实验与生产环境差异最大的地方。

托管 Deep Agents：解决规模化痛点

当代理从单用户实验走向多用户生产环境时，新的挑战随之而来。原推文强调，托管 Deep Agents 增加了当大量用户调用同一代理时所需的东西：每个用户自己的凭证和记忆。

这实际上指出了两个关键维度：

用户凭证隔离

每个用户需要独立的身份验证和授权，代理在执行操作时不能混淆不同用户的权限。托管服务需要为每个用户提供安全的凭证管理，确保代理以正确的身份访问外部资源。

多租户凭证管理的常见模式：在多用户代理系统中，凭证隔离通常有三种实现路径。其一是委托授权，代理以最终用户的身份、通过 OAuth 等协议获取短期令牌代为调用外部 API，权限边界由令牌作用域限定；其二是服务账户加作用域映射，代理使用统一的服务身份，但在内部维护用户到资源范围的映射表；其三是凭证保险库，将每个用户的密钥加密存储，运行时按需解密注入，避免密钥在内存中长期驻留。无论哪种模式，核心风险都是“混淆代理”（confused deputy）问题——代理被诱导以高权限身份执行低权限用户的请求。因此，凭证隔离不仅是存储问题，更需要在每次工具调用前做权限校验与审计日志记录。

用户记忆独立

代理的「记忆」——即对话历史、上下文和个性化状态——必须按用户隔离，避免数据泄露和上下文污染。托管 Deep Agents 为每个用户维护独立的记忆存储，使得同一个代理实例能够为不同用户提供个性化服务。

代理记忆的分层：代理的“记忆”通常分为短期记忆（当前会话的上下文窗口）与长期记忆（跨会话持久化的用户偏好、历史事实）。短期记忆隔离相对简单，按会话分配独立的上下文即可；长期记忆则需要设计命名空间或分区键，确保检索时不会跨用户召回。常见做法包括在向量数据库中按用户 ID 做元数据过滤、为每个用户建立独立的集合，或在检索层强制注入租户约束。此外还需考虑记忆的写入权限、过期与删除策略（如满足数据删除合规要求），以及记忆污染问题——若某用户的历史被错误写入共享索引，可能影响其他用户的回答质量甚至造成隐私泄露。

多源视角与行业意义

虽然这条推文来自单一来源，但其观点与当前 AI 代理领域的发展趋势高度吻合。随着代理即服务（Agent-as-a-Service）模式的兴起，如何高效、安全地托管代理成为工程团队关注的焦点。将代理循环与托管层分离，是一种清晰的架构思路：底层 harness 专注于代理逻辑，上层托管服务处理多租户、身份和状态管理。

这种分层设计有助于开发者复用核心代理循环，同时通过托管层满足企业级需求。

总结

Deep Agents 作为代理循环的 harness，为代理运行提供了基础；而托管 Deep Agents 则通过增加每用户凭证和记忆管理，使其能够应对多用户规模化调用的场景。这一区分对于正在构建或部署 AI 代理的团队具有重要的参考价值——在关注代理逻辑的同时，不应忽视托管层的基础设施建设。