Strona główna / Artykuły

Deep Agents wyjaśnione: Czy to rzeczywiście architektura Claude Code, dostępna za darmo?

Deep Agents od LangChain dostarcza wzór leżący u podstaw Claude Code na licencji MIT. Oto, co naprawdę oznaczają ustawienia domyślne, pamięć, koszty oraz obsługa modeli.

Wydawca: REACTAPP.TOP6 min czytania1353 słów

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

W internecie krąży post twierdzący, że LangChain udostępnił kod architektury Claude Code na zasadach licencji MIT, dostępnej dla dowolnego modelu i zupełnie za darmo. To kusząca propozycja – po co płacić za premium, skoro darmowe narzędzie robi to samo? Twierdzenie to nie jest fałszywe ani błędne; jest w przybliżeniu siedemdziesiąt procent prawdziwe, a brakujące trzydzieści procent to właśnie to, co często frustruje ludzi. Poniżej znajdują się szczegóły, aby decyzja mogła być podyktowana pełną informacją.

Czy rzeczywiście udostępnili kod architektury Claude Code?

W pewnym sensie. LangChain udostępnił kod wzorca, a nie samego Claude Code. Deep Agents to narzędzie oparte na LangGraph, które łączy cztery elementy: długi prompt systemowy, narzędzie do planowania, system plików oraz podagenty. Licencja MIT istnieje naprawdę i działa z każdym modelem umożliwiającym wywoływanie narzędzi.

Ale jego uruchomienie nie jest bezpłatne – system plików jest domyślnie wirtualny, a pamięć długoterminowa pozostaje wyłączona dopóki jej nie podłączysz. Chcesz tę architekturę? Możesz ją mieć. Chcesz Claude Code? Kontynuuj jego używanie.

Czym jest

Pozbawiony elementów marketingowych, Deep Agents to zestaw komponentów pośrednich opartych na 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).

To działa. Otrzymujesz funkcje planowania, wirtualny system plików, delegowanie zadań podagentom, zatwierdzenie przez człowieka oraz dostęp do wiersza poleceń, plus wszystko to, co już oferuje LangGraph: transmisję strumieniową, tworzenie punktów kontrolnych i Studio.

Ciekawą kwestią nie jest kod. Chodzi o to, że LangChain publicznie opisał, z czego składa się zaawansowany agent:

  1. Długi, szczegółowy prompt systemu
  2. Narzędzie do planowania
  3. System plików
  4. Podagenci

To jest cała formuła. Przez rok ludzie traktowali to jako tajemnicę handlową, ale to się zmienia.

Szczegół pierwszy: narzędzie do planowania nic nie robi

Narzędzie write_todos nie planuje ani nie wykonywa żadnych działań. Zachowuje listę zadań do wykonania w stanie agenta i na tym się kończy. LangChain przyznaje to we własnym komunikacie dotyczącym narzędzia skopiowanego z Claude Code, określając je faktycznie jako bezdziałające i strategię inżynierii kontekstu służącą do utrzymania agenta na właściwej ścieżce.

Dlaczego je zachować? Zapisanie planu w formie pisemnej wprowadza go z powrotem do kontekstu modelu. Za każdym razem lista jest ponownie czytana, co zapobiega zbaczaniu agenta z kursu. To właśnie jest ten mechanizm. Nie chodzi tu o orkiestrację, lecz o notatkę przypominającą. Gdy to zostanie jasno określone, wiele z tego, co nazywa się zaawansowaną architekturą agentów, okazuje się być w rzeczywistości inżynierią kontekstu przedstawioną w atrakcyjny sposób.

Jest tu jeszcze jeden szczegół. Planowanie na początku jest głównym punktem każdego wpisu o projekcie, jednak od wersji 0.7 planowanie zadań jest opcjonalne. Wcześniej było standardowym rozwiązaniem, ale teraz już nie. Funkcja, którą wszyscy wymieniają na początku, to ta, którą musisz sam włączyć.

Detail drugi: system plików nie należy do ciebie

Opis mówi o dostępie do systemu plików, więc wyobrażasz sobie folder swojego projektu. Standardowym backendem jest StateBackend, w którym pliki znajdują się w stanie LangGraph, są ograniczone do jednego wątku, nie są udostępniane żadnemu innemu wątkowi i nie istnieją na twoim dysku. Agent chętnie zapisaje plik, odczyta go ponownie i poczuje się produktywny. Następnie wątek się kończy, a pliki znikają, chyba że checkpointer je zapisał.

Aby uzyskać prawdziwy dostęp do dysku, potrzebujesz FilesystemBackend. Do używania w shellu wymagany jest LocalShellBackend. Aby przechowywać pliki między rozmowami, użyj StoreBackend, albo CompositeBackend, aby skierować ścieżkę /memories/ w miejsce trwałe, podczas gdy reszta pozostanie skojarzona z wątkiem. Żadne z tych rozwiązań nie jest trudne, ale każde stanowi decyzję, o której nawet nie wiedziałeś, że ją podejmujesz.

Detal trzeci: pamięć długoterminowa to ustawienie

To samo dotyczy pamięci. Jest ona wymieniona tak, jakby była częścią systemu, podobnie jak uchwyt przyczepowy w samochodzie – montaż istnieje, ale przyczepa nie. Domyślnie pamięć jest skojarzona z wątkiem. Aby przywołać informacje między wątkami, potrzebny jest backend do przechowywania. Sprawdź to w notatniku: uruchom ponownie jądro, zapytaj o decyzję podjętą wczoraj – odpowiedzią będzie pewne milczenie.

Detal czwarty: interwencja człowieka wymaga checkpointera

Dokumentacja jest dosyć bezpośrednia. Potrzebny jest checkpointer, ponieważ bez niego nie ma stanu do zamrożenia ani przerwy do wznowienia. Wznowienie nie oznacza również ponownego wywołania agent.invoke(). Po zbadaniu przerwy należy utworzyć listę decisions, która odpowiada czekającym działaniom jeden do jednego i w kolejności, a następnie wznowić działanie za pomocą Command(resume={"decisions": decisions}) na tym samym identyfikatorze wątku. Błędny identyfikator wątku, błędna kolejność lub brak checkpointera sprawiają, że proces zatwierdzania po prostu nic nie zatwierdza.

Detalia piąta: podagenty i fiksacja wersji

To już naprawione, ale uczy tego coś ważnego. Załóżmy, że ustawiasz recursion_limit=300 dla agenta nadrzędnego przy wykonywaniu długiego zadań. Przez jakiś czas SubAgentMiddleware nie przekazywał tej konfiguracji dalej, więc podagenty działały z domyślną wartością LangGraph wynoszącą 25. Podagent potrzebujący 40 kroków osiągał limit 25 i wywoływał błąd GraphRecursionError, który u góry łańcucha przekształcał się w asyncio.CancelledError. Wygląda to jak anulowanie zadań, a nie jak działanie limitu, co utrudnia debugowanie późną nocą.

To był problem nr 1698 w repozytorium deepagents, zgłoszony w marcu 2026 roku. Podagenty teraz odziedziczą limit agenta nadrzędnego, a można go ustawić za pomocą agent.with_config({"recursion_limit": 100}).

Powód, dla którego o tym wspominam: poprawka trafiła na serwer pod koniec marca, a w sierpniu wersja pakietu wynosiła 0.7.x. Projekt rozwija się szybko, domyślne ustawienia zmieniają się wraz z nim, a wiele wpisów na blogach opisuje wersje, które już nie istnieją. Zanim zaufasz jakiejś instrukcji, ustal własną wersję i przeczytaj dziennik zmian.

O koszcie zero dolarów

Licencja nie kosztuje nic. MIT, naprawdę, bez żadnego gwiazdki. Uruchomienie jej to już inna sprawa. Musisz sam dostarczyć klucz modelu i płacić za każdy token, a ta architektura jest zaprojektowana tak, by zużywać tokeny:

  • Długi prompt systemowy przy każdej turze
  • Lista zadań jest ponownie czytana przy każdej turze, gdy aktywowane jest planowanie
  • Każdy podagent to odrębne wezwanie pełnego modelu
  • Streszczanie to kolejne wezwanie modelu, wykonywane w oparciu o twój własny kontekst

W porównaniu z zwykłym pętlą wywoływania narzędzi, zaawansowany agent zużywa więcej zasobów. To jest cena: za pomocą tokenów kupujesz możliwość skupienia się na długotrwałych zadaniach. Jest to uczciwa umowa, o ile nikt nie traktuje tego jako czegoś za darmo.

Prawdziwa oszczędność polega na elastyczności. Możesz użyć taniego modelu do prostszych podagentów, a silnego do rozumowania – co jest możliwością, której Claude Code nie oferuje.

O dowolnym modelu

To prawda, z dwiema zastrzeżeniami. Działa to z każdym modelem, który obsługuje wywoływanie narzędzi, a takich jest sporo. Jednak prompty zostały dostosowane do nawyków Claude Code, więc projekt ma tę tendencję. Słabszy lub lokalny model nie daje proporcjonalnie słabszego agenta – daje taki, który zaniedbuje listę zadań, bez potrzeby deleguje zadania podagentom i utyka w kółko.

Druga przypis jest w rzeczywistości kosztowna: szybkie przechowywanie w pamięci cache jest domyślnie włączone tylko dla modeli Anthropic i Bedrock. W przypadku Claude ten duży prompt systemowy jest przechowywany w cache. W innych modelach możesz za niego płacić pełną cenę przy każdej rundzie. Określenie „niezależne od modelu” oznacza, że działa wszędzie, ale nie że zachowuje się lub ma takie same koszty we wszystkich miejscach, więc musisz uwzględnić rzeczywisty czas potrzebny na ocenę przy każdej zmianie modelu.

Czy warto spróbować?

Najpierw szczera informacja: nic z tego nie pochodzi z praktycznego użycia. Opiera się to na uważnym przeczytaniu dokumentacji, repozytorium oraz narzędzia do śledzenia problemów, a nie na miesiącach doświadczenia. Dwie rzeczy pozostają jednak niezmiennione.

Po pierwsze, najcenniejszą rzeczą dostarczoną przez LangChain nie jest sam pakiet, lecz jego struktura. Cztery filary, jasno sformułowane, pod licencją MIT. Sam mógłbyś to stworzyć w ciągu popołudnia i zrozumieć każdą linię kodu, a przy agentze do jednego celu prawdopodobnie powinieneś to zrobić.

Z drugiej strony, darmowy klon jakiegoś produktu rzadko okazuje się tym właśnie produktem. Otrzymujesz jedynie poszczególne elementy wraz z obowiązkiem samodzielnego ich dostosowania. Czasami to jest dokładnie to, czego potrzebujesz, a czasami po prostu chcesz, aby coś funkcjonowało. Warto o tym wiedzieć przed wykonywaniem polecenia pip install.