Startseite / Artikel

Deep Agents erklärt: Ist es wirklich die Architektur von Claude Code – und kostenlos?

LangChains Deep Agents stellt Ihnen das Prinzip hinter Claude Code unter einer MIT-Lizenz zur Verfügung. Hier erfahren Sie, was Default-Einstellungen, Speicher, Kosten und Modellunterstützung tatsächlich bedeuten.

Verlag: REACTAPP.TOP6 Min. Lesezeit1353 Wörter

Quellen: Deep Agents: Did LangChain Open-Source Claude Code’s Architecture?

Ein im Umlauf befindliches Posting behauptet, LangChain habe die Architektur hinter Claude Code unter einer MIT-Lizenz als Open Source veröffentlicht – für null Dollar und mit jedem Modell. Es handelt sich um einen ansprechenden Werbespruch: Warum eine Premium-Mitgliedschaft bezahlen, wenn ein kostenloses Tool dasselbe leistet? Die Behauptung ist weder falsch noch erfunden – sie stimmt in etwa zu siebzig Prozent, und die fehlenden dreißig Prozent sind es, die die Leute oft frustrieren. Hier sind die genauen Bedingungen, damit man eine informierte Entscheidung treffen kann.

Haben sie die Architektur von Claude Code wirklich als Open Source veröffentlicht?

Sozusagen. LangChain hat das zugrundeliegende Muster als Open Source veröffentlicht, nicht Claude Code selbst. Deep Agents ist ein auf LangGraph basierendes Tool-Framework, das vier Komponenten umfasst: einen langen Systemprompt, ein Planungstool, ein Dateisystem sowie Subagenten. Die MIT-Lizenz existiert tatsächlich, und das Framework funktioniert mit jedem Modell zur Aufrufung von Tools.

Aber es läuft nicht kostenlos – das Dateisystem ist standardmäßig virtuell und die Langzeitmerkmung bleibt deaktiviert, bis sie angeschlossen wird. Möchten Sie die Architektur? Sie können sie gerne nutzen. Möchten Sie Claude Code? Dann weiter damit arbeiten.

Was es ist

Abgesehen vom Marketing ist Deep Agents ein Bündel an Middleware-Komponenten, das auf LangGraph basiert.

pip install deepagents
from deepagents import create_deep_agent
agent = create_deep_agent(
    model="openai:gpt-5.5",  # or anthropic:..., google_genai:..., a local one
    tools=[my_tool],
    system_prompt="You are a research assistant.",
)That’s real. It works. You get planning, a virtual file system, subagent delegation, human-in-the-loop, and shell access — plus everything LangGraph already gave you (streaming, checkpointing, Studio).

Das funktioniert. Man erhält Planungsfunktionen, ein virtuelles Dateisystem, Delegation an Unteragenten, Zustimmung durch einen Menschen sowie Shell-Zugriff – plus alles, was LangGraph bereits anbietet: Streaming, Checkpointing und Studio.

Das Interessante ist nicht der Code. Es liegt daran, dass LangChain öffentlich dargelegt hat, aus welchen Bestandteilen ein Deep Agent besteht:

  1. Eine lange, detaillierte Systemanweisung
  2. Ein Planungstool
  3. Ein Dateisystem
  4. Unteragenten

Das ist das gesamte Rezept. Ein Jahr lang wurde dies als Geschäftsgeheimnis gehalten – und das ändert sich nun.

Detail eins: Das Planungstool tut nichts

Das Tool write_todos plant oder führt nichts aus. Es speichert eine To-Do-Liste im Zustand des Agents und hört dort auf. LangChain gibt dies in seiner eigenen Ankündigung zu diesem Tool, das es von Claude Code übernommen hat, zu und bezeichnet es im Grunde als nutzloses Tool sowie als Strategie zur Kontextgestaltung, um den Agenten auf Kurs zu halten.

Warum wird es beibehalten? Die schriftliche Festhaltung des Plans gibt diesen wieder in den Kontext des Modells zurück. Jedes Mal, wenn der Agent reagiert, wird die Liste erneut gelesen, wodurch verhindert wird, dass der Agent abweicht. Das ist das Prinzip dahinter. Es handelt sich dabei nicht um Orchestrierung, sondern um eine Art Notiz. Wenn das klar ist, wirkt vieles von dem, was als fortschrittliche Agentenarchitektur bezeichnet wird, lediglich wie gut verpackte Kontextgestaltung.

Auch hier gibt es eine Überraschung. Die vorherige Planung wird in jedem Beitrag zum Projekt als wichtigster Punkt hervorgehoben, doch ab Version 0.7 ist die Aufgabenplanung optional. Früher war sie Standard-Middleware, doch das ist jetzt nicht mehr der Fall. Die Funktion, die alle in den Vordergrund rücken, muss man selbst aktivieren.

Detail zwei: Das Dateisystem gehört nicht Ihnen

Es wird von einer Zugriffsmöglichkeit auf das Dateisystem die Rede, und man stellt sich den Projektordner vor. Der Standard-Backend ist StateBackend; dabei befinden sich die Dateien innerhalb des LangGraph-Zustands, sind auf einen Thread beschränkt, werden nicht mit anderen Threads geteilt und existieren nicht auf der Festplatte. Der Agent schreibt gerne eine Datei, liest sie wieder aus und hat das Gefühl, produktiv zu sein. Danach endet der Thread, und die Dateien sind verschwunden – es sei denn, ein Checkpointer hat sie gespeichert.

Für echten Datenträgerzugriff benötigen Sie FilesystemBackend. Für eine Shell ebenfalls LocalShellBackend. Um Dateien über verschiedene Gespräche hinweg zu speichern, verwenden Sie StoreBackend oder CompositeBackend, um einen /memories/-Pfad an einen dauerhaften Ort zu leiten, während der Rest im Thread-Bereich bleibt. Keine dieser Lösungen ist schwierig, doch jede stellt eine Entscheidung dar, von der man oft nicht wusste, dass man sie trifft.

Detail drei: Langzeitspeicher ist eine Einstellung

Dasselbe gilt für den Speicher. Er wird so aufgeführt, als wäre er bereits enthalten – genauso wie ein Auto einen Anhängerkupplungspunkt hat, während der Anhänger selbst fehlt. Standardmäßig ist der Speicher auf den Thread beschränkt. Zur Wiederherstellung von Informationen zwischen Threads ist ein Store-Backend erforderlich. Demonstrieren Sie das in einem Notebook, starten Sie den Kernel neu und fragen Sie nach Ihrer gestrigen Entscheidung – die Antwort wird vermutlich ein ausweichendes Schweigen sein.

Detail vier: Ein Mensch im Prozess benötigt einen Checkpointer

Die Dokumentation ist unpräzise. Ein Checkpointer ist erforderlich, denn ohne ihn gibt es keinen Zustand, den man einfrieren kann, und keine Unterbrechung, mit der man fortfahren kann. Das Fortsetzen bedeutet auch nicht, erneut agent.invoke() aufzurufen. Nach Prüfung der Unterbrechung soll eine decisions-Liste erstellt werden, die den ausstehenden Aktionen eins-zu-eins und in der richtigen Reihenfolge entspricht, anschließend soll über Command(resume={"decisions": decisions}) am selben Thread-ID fortgefahren werden. Falsche Thread-ID, falsche Reihenfolge oder fehlender Checkpointer führen dazu, dass der Freigabeprozess stillschweigend nichts freigibt.

Detail fünf: Subagenten und Versionsfixierung

Dieses Problem ist behoben, lehrt aber etwas Wichtiges. Angenommen, Sie setzen recursion_limit=300 für eine zeitaufwändige Aufgabe beim Eltern-Agenten fest. Eine Zeit lang übertrug SubAgentMiddleware diese Einstellung nicht weiter, wodurch die Unteragenten mit LangGraphs Standardwert von 25 arbeiteten. Ein Unteragent, das 40 Schritte benötigte, erreichte nach 25 Schritten die Obergrenze und löste einen GraphRecursionError aus, der weiter oben als asyncio.CancelledError sichtbar wurde. Das wirkt wie eine Abbruchhandlung und nicht wie eine Limitierung, wodurch das Debuggen mitten in der Nacht äußerst schwierig wird.

Das war das Problem #1698 im deepagents-Repository, das im März 2026 gemeldet wurde. Unteragenten erben nun die Limitierung des Eltern-Agenten, und Sie können diese mit agent.with_config({"recursion_limit": 100}) festlegen.

Der Grund, darauf hinzuweisen: Die Korrektur wurde Ende März eingeführt und die Version lag im August bei 0.7.x. Das Projekt entwickelt sich schnell, die Standardeinstellungen passen sich an, und viele Blogbeiträge beschreiben Versionen, die nicht mehr existieren. Legen Sie Ihre eigene Version fest und lesen Sie den Changelog, bevor Sie einem Tutorial vertrauen.

Über die Nullkosten

Die Lizenz kostet nichts – wirklich, ohne Sternchen. Das Ausführen ist jedoch eine andere Sache. Sie müssen Ihre eigene Modell-Schlüssel verwenden und pro Token bezahlen; zudem ist diese Architektur so konzipiert, dass Tokens verbraucht werden:

  • Ein langer Systemprompt bei jeder Runde
  • Die To-Do-Liste wird bei aktivierter Planung jede Runde erneut gelesen
  • Jeder Subagent ist eine eigene vollständige Modellaufruf
  • Zusammenfassungen erfordern einen weiteren Modellaufruf, basierend auf Ihrem eigenen Kontext

Verglichen mit einem einfachen Schleifen-Modell zur Aufrufung von Tools verbraucht ein tiefes Agent mehr Ressourcen. Das ist der Kompromiss: Man zahlt mit Tokens für eine bessere Konzentration auf langwierige Aufgaben. Es handelt sich dabei um einen fairen Deal, solange niemand davon ausgeht, dass dies kostenlos möglich ist.

Die eigentlichen Einsparungen liegen in der Flexibilität. Man kann auf die einfachen Unteragenten ein günstiges Modell verwenden und auf die für das Logisches Denken ein leistungsstarkes Modell – eine Möglichkeit, die Claude Code nicht bietet.

Über jedes Modell

Stimmt, mit zwei Einschränkungen. Es funktioniert mit jedem Modell, das die Aufrufung von Tools unterstützt – und das sind viele. Die Anweisungen wurden jedoch an die Gewohnheiten von Claude Code angepasst, wodurch das Design diesen Bias aufweist. Ein schwächeres oder lokales Modell führt nicht unbedingt zu einem proportional schwächeren Agenten. Stattdessen entsteht ein Agent, der seine Aufgabenliste ignoriert, unnötig Aufgaben an Unteragenten delegiert und in Endlosschleifen gerät.

Die zweite Fußnote hat stillschweigend erhebliche Kosten: Die schnelle Caching-Funktion ist standardmäßig nur für die Anthropic- und Bedrock-Modelle aktiv. Bei Claude wird dieser große Systemprompt gecacht. Bei einem anderen Modell müssen Sie dafür möglicherweise jedes Mal den vollen Preis zahlen. „Modellunabhängig“ bedeutet, dass es überall laufen kann – nicht jedoch, dass es sich überall gleich verhält oder die gleichen Kosten verursacht. Planen Sie daher ausreichend Zeit für eine echte Bewertung bei jedem Wechsel.

Lohnt es sich, es auszuprobieren?

Zuerst eine ehrliche Einschränkung: All das stammt nicht aus der Produktivnutzung. Es basiert auf einer sorgfältigen Lektüre der Dokumentation, des Repositoriums und des Issue-Trackers – nicht auf monatelanger Erfahrung. Zwei Dinge bleiben dennoch unumstritten.

Zuerst: Das Wertvollste, was LangChain bereitstellt, ist nicht das Paket selbst, sondern der Ansatz. Vier klar formulierte Säulen unter einer MIT-Lizenz. Man könnte das selbst an einem Nachmittag erstellen und jede Zeile verstehen – und für einen einzigartigen Agenten sollte man das wahrscheinlich auch tun.

Zweitens ist eine kostenlose Kopie eines Produkts selten tatsächlich dieses Produkt. Man erhält lediglich die einzelnen Komponenten sowie die Aufgabe, diese selbst zu konfigurieren. Manchmal ist das genau das Richtige, manchmal möchte man einfach nur, dass die Sache funktioniert. Das sollte man vor dem pip install wissen.