Accueil / Articles

Explication des Deep Agents : s’agit-il vraiment de l’architecture de Claude Code, et est-elle gratuite ?

Les Deep Agents de LangChain vous offrent le modèle sous-jacent à Claude Code, sous licence MIT. Voici ce que signifient réellement les paramètres par défaut, la mémoire, les coûts et le support des modèles.

Éditeur : REACTAPP.TOP6 min de lecture1353 mots

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

Un post qui circule prétend que LangChain a rendu open source l’architecture derrière Claude Code, sous licence MIT, avec n’importe quel modèle et gratuitement. C’est une proposition attrayante : pourquoi payer une abonnement premium quand un outil gratuit fait la même chose ? Cette affirmation n’est ni fausse ni erronée. Elle est à peu près à soixante-dix pour cent vraie, et les trente pour cent manquants sont ce qui finit par frustrer les gens. Voici les détails, afin que la décision puisse être éclairée.

Au final, ont-ils rendu open source l’architecture de Claude Code ?

En quelque sorte. LangChain a rendu open source le modèle de base, pas Claude Code lui-même. Deep Agents est un outil conçu sur LangGraph qui intègre quatre éléments : une instruction système longue, un outil de planification, un système de fichiers et des sous-agents. La licence MIT est bien réelle, et il fonctionne avec n’importe quel modèle capable d’appeler des outils.

Mais il n’est pas gratuit à utiliser : le système de fichiers est virtuel par défaut et la mémoire à long terme reste désactivée tant que vous ne l’avez pas connectée. Vous voulez l’architecture ? Elle est à vous de la prendre. Vous voulez Claude Code ? Continuez à l’utiliser.

Qu’est-ce que c’est

En mettant de côté le marketing, Deep Agents est un ensemble de middleware basé sur LangGraph.

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).

Cela fonctionne. On y trouve la planification, un système de fichiers virtuel, la délégation à des sous-agents, l’approbation par un intervenant humain et un accès à la shell, en plus de tout ce que LangGraph propose déjà : le streaming, les points de contrôle et Studio.

La partie intéressante n’est pas le code. C’est le fait que LangChain ait décrit publiquement ce qu’un agent avancé comprend :

  1. Un prompt système long et détaillé
  2. Outil de planification
  3. Système de fichiers
  4. Sous-agents

C’est là toute la recette. Pendant un an, les gens ont considéré cela comme un secret commercial, et cela change.

Détail un : l’outil de planification ne fait rien

Outil write_todos : il ne planifie ni n’exécute rien. Il stocke simplement une liste de tâches à faire dans l’état de l’agent, puis s’arrête là. LangChain l’admet dans sa propre annonce concernant cet outil copié de Claude Code, le qualifiant en réalité d’opération inutile et de stratégie d’ingénierie de contexte visant à maintenir l’agent sur la bonne voie.

Pourquoi le conserver ? En mettant le plan par écrit, on le réintègre dans le contexte du modèle. À chaque tour, la liste est relue, ce qui empêche l’agent de s’égarer. C’est le mécanisme en question. Il ne s’agit pas d’orchestration, mais plutôt d’une note adhésive. Une fois cela clair, une grande partie de ce que l’on qualifie d’architecture avancée d’agent se révèle en fait être de l’ingénierie de contexte présentée sous un jour attrayant.

Il y a aussi une particularité. La planification en amont est le point principal de chaque article sur ce projet, pourtant à partir de la version 0.7, la planification des tâches est facultative. C’était auparavant un middleware par défaut, mais ce n’est plus le cas. La fonctionnalité présentée en premier est celle que vous devez activer vous-même.

Détail deux : le système de fichiers n’appartient pas à vous

L’argument présenté concerne l’accès au système de fichiers, et on imagine alors le dossier de son projet. Le backend par défaut est StateBackend : les fichiers y sont stockés au sein de l’état de LangGraph, limités à un thread, non partagés avec aucun autre thread et absents de votre disque. L’agent écrit volontiers un fichier, le lit à nouveau et se sent productif. Puis le thread s’arrête et les fichiers disparaissent, à moins qu’un checkpointer ne les ait conservés.

Pour un accès réel au disque, vous avez besoin de FilesystemBackend. Pour une shell également, utilisez LocalShellBackend. Afin de conserver les fichiers entre différentes conversations, employez StoreBackend, ou CompositeBackend pour rediriger le chemin /memories/ vers un support durable, tandis que le reste reste limité au thread. Rien de tout cela n’est difficile, mais chaque choix est en réalité une décision dont vous n’étiez pas conscient.

Détail trois : la mémoire à long terme est une configuration

La même logique s’applique à la mémoire. Elle est listée comme étant incluse, de la même manière qu’une voiture possède un crochet d’attelage : le support existe, mais la remorque non. La valeur par défaut est limitée au thread. Pour retrouver des informations entre threads, un store backend est nécessaire. Testez cela dans un notebook, redémarrez le noyau, demandez ce que vous aviez décidé hier, et la réponse sera un silence assuré.

Détail quatre : l’intervention humaine nécessite un checkpointer

Les documents sont explicites : un point de contrôle est nécessaire, car sans lui il n’y a pas d’état à figer ni d’interruption à reprendre. Reprendre ne signifie pas non plus appeler à nouveau agent.invoke(). Après avoir examiné l’interruption, constituez une liste decisions qui corresponde un par un et dans l’ordre aux actions en attente, puis reprenez le traitement via Command(resume={"decisions": decisions}) sur le même identifiant de thread. Un identifiant de thread incorrect, un ordre erroné ou l’absence de point de contrôle font que le flux d’approbation n’approuve rien.

Détail cinq : sous-agents et fixation de version

Celui-ci est corrigé, mais il illustre un point important. Supposons que vous définissiez recursion_limit=300 pour l’agent parent lors d’une tâche longue. Pendant un certain temps, SubAgentMiddleware n’a pas transmis cette configuration aux sous-agents, ce qui les a fait fonctionner avec la valeur par défaut de LangGraph, soit 25. Un sous-agent nécessitant 40 étapes atteindrait alors ce plafond et provoquerait une erreur GraphRecursionError, qui se manifestait en amont sous forme d’erreur asyncio.CancelledError. Cela ressemble à une annulation plutôt qu’à une limite, et c’est extrêmement difficile à déboguer tard dans la nuit.

C’était le problème n°1698 dans le répertoire deepagents, déposé en mars 2026. Les sous-agents héritent désormais de la limite de l’agent parent, et vous pouvez la définir à l’aide de agent.with_config({"recursion_limit": 100}).

La raison d’en parler : la correction est arrivée à la fin du mois de mars et le paquet était déjà à la version 0.7.x en août. Le projet évolue rapidement, les paramètres par défaut suivent le même rythme, et de nombreux articles de blog décrivent des versions qui n’existent plus. Fixez votre version et lisez le journal des modifications avant de faire confiance à un tutoriel.

À propos du coût nul

La licence ne coûte rien. MIT, vraiment, sans aucun astérisque. L’exécution en est une autre affaire : vous devez fournir votre propre clé de modèle et payer par token, et cette architecture est conçue pour consommer des tokens :

  • Un prompt système long à chaque tour
  • La liste des tâches à relire à chaque tour, une fois la fonction de planification activée
  • Chaque sous-agent représente une invocation complète du modèle
  • La synthèse est une autre appel au modèle, sur votre propre contexte

Par rapport à une simple boucle d’appel d’outils, un agent avancé consomme plus de ressources. C’est le compromis : vous obtenez une concentration accrue sur des tâches longues en échange de tokens. C’est un bon marché tant que personne ne le considère comme gratuit.

Les véritables économies résident dans la flexibilité. Vous pouvez utiliser un modèle peu coûteux pour les sous-agents simples et un modèle puissant pour le raisonnement, ce que Claude Code ne permet pas.

Au sujet de tout modèle

C’est vrai, avec deux réserves. Il fonctionne avec n’importe quel modèle prenant en charge les appels d’outils, ce qui est une liste très longue. Cependant, les prompts ont été adaptés aux habitudes de Claude Code, ce qui confère à la conception un biais en faveur de celui-ci. Un modèle plus faible ou local ne produit pas nécessairement un agent proportionnellement moins performant ; il en résulte plutôt un agent qui néglige sa liste de tâches, délègue inutilement à des sous-agents et reste bloqué dans des cercles vicieux.

La deuxième note de bas de page a des conséquences coûteuses : le cacheage rapide est activé par défaut uniquement pour les modèles Anthropic et Bedrock. Avec Claude, ce grand prompt système est mémorisé en cache. Avec un autre modèle, vous pourriez devoir payer le prix plein à chaque tour. Le fait qu’il soit indépendant du modèle signifie qu’il fonctionne partout, mais cela ne veut pas dire qu’il se comporte ou coûte de la même manière partout ; prévoyez donc un temps d’évaluation réel pour tout changement de modèle.

Vaut-il la peine d’essayer ?

D’abord, une mise en garde honnête : rien de tout cela ne provient d’une utilisation en production. Il s’agit d’une lecture attentive des documents, du répertoire de code et du suivi des problèmes, et non de mois d’expérience. Deux choses restent néanmoins claires.

Tout d’abord, ce qui est le plus précieux dans LangChain n’est pas le paquet lui-même, mais son plan. Quatre piliers clairement définis, sous licence MIT. Vous pourriez le construire vous-même en une après-midi et comprendre chaque ligne ; pour un agent à usage unique, c’est probablement ce qu’il convient de faire.

Deuxièmement, un clone gratuit d’un produit n’est que rarement ce produit lui-même. Ce que vous obtenez, ce sont les composants, ainsi que la tâche de les configurer vous-même. Parfois c’est exactement ce qu’il faut, et parfois vous souhaitez simplement que l’outil fonctionne. C’est une information utile à connaître avant d’exécuter pip install.