Deep Agents
Deep Agents是一种面向企业级应用场景的智能代理（Agent）工程化落地框架概念，旨在将大语言模型驱动的自主代理系统从原型阶段推进至可靠的生产部署。其核心特征包括：支持多步骤任务规划与执行、强调工程化可控性与稳定性，以及提供适用于复杂业务流程的模块化架构设计，以降低企业构建和维护智能代理系统的技术门槛。
核心事实
时间轴 (近 90 天)
该课程相比早期 LangChain 0.3 版本做了大幅升级，覆盖 LangChain、LangGraph、Deep Agents 等模块
LangChain Deep Agents课程提出的“循环工程”框架将反馈机制拆解为三个层次：Agent循环（执行层）、验证循环（质检层）、跨运行改进循环（进化层）。
HarnessAgent 图像输入覆盖的适配器包括 Claude Code、Cline、Codex、Cursor、Deep Agents、fx、GitHub Copilot、Grok Build、OpenCode、Pi。
LangChain 的 Deep Agents 在 GPT-5.2-Codex 上仅通过重构 harness，将 Terminal-Bench 2.0 成绩从 52.8% 提升到 66.5%。
教程认为开发框架是 IT 从业者延长职业生命周期的必备技能，需逐一掌握 LangChain、LangGraph、Deep Agents。
Deep Agents 本身是一个 harness，即代理循环（agent loop）。
Deep Agents沙箱文档列出的后端包括Modal、Daytona、Deno和Node VFS。
Deep Agents增加了操作文件系统的能力，并支持沙箱后端（虚拟文件系统），使得文件执行与主机环境隔离。
技术选型建议：任务步骤固定、需要精确控制时选择LangGraph；任务简单、希望快速搭建时选择LangChain Agent；需要文件操作、沙箱隔离或标准化技能配置时考虑Deep Agents；需要监控、评估或对外部署时结合LangSmith。
Deep Agent 中的 skill 能力本质上就是基于 LangChain 的动态提示词做了一层高层封装，底层仍依赖 LangGraph 的执行引擎。
还有 25 条时间轴事件
全部知识事实 (20)
演示项目采用一个主智能体（Hub）协调三到四个子 Agent 并行跑四个区块，体现 Plan-and-Execute 加子智能体分工的架构
75%已验证LangChain、LangGraph 与 Deep Agent 是递进式技术栈关系，而非相互替代。
65%已验证豆包、DeepSeek对话产品以及Cursor这类AI编程工具本质上都是Agent的应用
65%待验证DeepAgents 是 LangChain 生态中相对较新的框架，定位偏企业级落地，支持本地文件系统操作、沙箱机制、Skill 调用等能力
60%待验证在LangChain托管Deep Agents中，模型、提示词、工具和子智能体由开发者决定，而持久化、记忆、技能加载、代码执行沙箱和部署由平台处理
60%待验证LangChain的Deep Agents模块已直接集成Skill，下载一个API即可使用
60%待验证LangChain Deep Agents课程提出的“循环工程”框架将反馈机制拆解为三个层次：Agent循环（执行层）、验证循环（质检层）、跨运行改进循环（进化层）。
50%待验证HarnessAgent 图像输入覆盖的适配器包括 Claude Code、Cline、Codex、Cursor、Deep Agents、fx、GitHub Copilot、Grok Build、OpenCode、Pi。
50%待验证LangChain 的 Deep Agents 在 GPT-5.2-Codex 上仅通过重构 harness，将 Terminal-Bench 2.0 成绩从 52.8% 提升到 66.5%。
50%待验证教程认为开发框架是 IT 从业者延长职业生命周期的必备技能，需逐一掌握 LangChain、LangGraph、Deep Agents。
50%待验证Deep Agents 本身是一个 harness，即代理循环（agent loop）。
50%待验证Deep Agents沙箱文档列出的后端包括Modal、Daytona、Deno和Node VFS。
50%待验证Deep Agents增加了操作文件系统的能力，并支持沙箱后端（虚拟文件系统），使得文件执行与主机环境隔离。
50%待验证技术选型建议：任务步骤固定、需要精确控制时选择LangGraph；任务简单、希望快速搭建时选择LangChain Agent；需要文件操作、沙箱隔离或标准化技能配置时考虑Deep Agents；需要监控、评估或对外部署时结合LangSmith。
50%待验证Deep Agent 中的 skill 能力本质上就是基于 LangChain 的动态提示词做了一层高层封装，底层仍依赖 LangGraph 的执行引擎。
50%待验证非 LangChain、LangGraph 或 Deep Agents 构建的 Agent 仍可通过 LangSmith 进行追踪和评估。
50%待验证项目使用python-dotenv加载环境变量、LangChain和LangChain OpenAI构建Agent、Deep Agents作为构建Agent的核心依赖。
50%待验证LangChain官方文档主要涉及LangChain、LangGraph、DeepAgent以及LangSmith几个核心组件
50%待验证选型判断标准是：如果任务需要操作文件系统或外部进程，Deep Agents 几乎是唯一选择；如果只是多步 LLM 调用，LangGraph 已经足够
50%待验证Deep Agent同样内置沙箱机制
50%