Пояснение Deep Agents: действительно ли это архитектура Claude Code и бесплатна?
Deep Agents от LangChain предоставляет вам принципы работы Claude Code под лицензией MIT. Вот что на самом деле означают параметры по умолчанию, память, стоимость и поддерживаемые модели.
Источники: Deep Agents: Did LangChain Open-Source Claude Code’s Architecture?
В сети появилась публикация, утверждающая, что LangChain сделала архитектуру Claude Code открытой под лицензией MIT, доступной бесплатно и для любых моделей. Это привлекательное предложение: зачем платить за премиум-подписку, если бесплатный инструмент делает то же самое? Утверждение не является ни ложным, ни ошибочным — оно примерно на семьдесят процентов верно, а отсутствующие тридцать процентов и вызывают недовольство у пользователей. Ниже приведены детали, чтобы решение можно было принять осознанно.
Сделали ли они архитектуру Claude Code открытой?
В некотором смысле. LangChain сделала открытой концепцию, лежащую в основе архитектуры, а не сам Claude Code. Deep Agents — это инструмент, созданный на основе LangGraph и объединяющий четыре компонента: длинное системное сообщение, инструмент планирования, файловую систему и сабагентов. Лицензия MIT действительна, и он работает с любыми моделями для вызова инструментов.
Но его запуск не бесплатен: файловая система по умолчанию виртуальная, а долгосрочная память остаётся отключённой до тех пор, пока вы её не подключите. Хотите архитектуру? Она в вашем распоряжении. Хотите Claude Code? Продолжайте им пользоваться.
Что это такое
Если отбросить маркетинговые аспекты, Deep Agents — это набор промежуточных компонентов, разработанных поверх 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).
Это сработает. У вас будет планирование, виртуальная файловая система, делегирование задач подагентам, утверждение действий человеком и доступ к оболочке, плюс всё то, что уже предлагает LangGraph: стриминг, создание точек контроля и Studio.
Интересно не сам код. Интересно то, что LangChain публично описал, из чего состоит глубокий агент:
- Длинное, подробное системное указание
- Инструмент планирования
- Файловая система
- Подагенты
Вот и вся схема. В течение года люди считали это коммерческой тайной, но ситуация меняется.
Подробности первые: инструмент планирования ничего не делает
Инструмент write_todos не планирует и не выполняет ничего. Он просто сохраняет список дел в состоянии агента и на этом останавливается. LangChain признаёт это в собственном объявлении об этом инструменте, скопированном у Claude Code, называя его фактически бесполезным инструментом и стратегией работы с контекстом для поддержания агента в нужном направлении.
Зачем его сохранять? Перенос плана в письменном виде возвращает его в контекст модели. Каждый раз при обработке данных список снова читается, что предотвращает отклонение агента от заданного курса. Вот в чём суть. Это не оркестрация, а своего рода записка-напоминание. Как только это становится ясно, многие аспекты, которые называются передовой архитектурой агентов, на самом деле представляют собой работу с контекстом, оформленную в привлекательной манере.
Есть ещё один нюанс. Планирование на этапе подготовки — главный пункт в каждой статье о проекте, однако начиная с версии 0.7 планирование задач стало факультативным. Раньше это было стандартным компонентом, но теперь уже нет. Функция, которую всегда выделяют в качестве ключевой, требует от пользователя личного включения.
Второй момент: файловая система не принадлежит вам
В описании говорится о доступе к файловой системе, и вы представляете себе папку проекта. Стандартным бэкендом является StateBackend, где файлы хранятся внутри состояния LangGraph, ограничены одним потоком, не делятся с другими потоками и отсутствуют на вашем диске. Агент с удовольствием создаст файл, снова его прочитает и почувствует, что работает эффективно. Затем поток завершается, и файлы исчезают, если только чекпоинт их не сохранит.
Для реального доступа к диску вам понадобится FilesystemBackend. Для оболочки также потребуется LocalShellBackend. Чтобы сохранять файлы между разговорами, используйте StoreBackend, или CompositeBackend для перенаправления пути /memories/ в надежное хранилище, в то время как остальное остается в пределах одной нити. Ничего сложного в этом нет, но каждый из этих выборов делается без осознания.
Подробность третья: долгосрочная память — это настройка
То же самое касается памяти. Она указывается так, будто является неотъемлемой частью, как прицеп, крепящийся к автомобилю: крепление существует, а прицеп — нет. По умолчанию память ограничена одной нитью. Для воспроизведения данных между нитями требуется хранилище. Попробуйте это на примере ноутбука: перезагрузите ядро, спросите о решении, принятом вчера, и ответом будет полная пустота.
Подробность четвертая: участие человека требует контрольного указателя
В документации сказано прямо: требуется контрольный указатель, поскольку без него нет состояния, которое можно было бы заморозить, и нет прерывания для возобновления работы. Возобновление также не означает повторного вызова agent.invoke(). После анализа прерывания необходимо собрать список decisions, соответствующий ожидающим действиям один к одному и в определенном порядке, затем возобновить работу с помощью Command(resume={"decisions": decisions}) на том же идентификаторе потока. Неправильный идентификатор потока, неверный порядок или отсутствие контрольного указателя приводят к тому, что процесс утверждения ничего не одобряет.
Пункт пять: подагенты и фиксация версии
Эта проблема уже устранена, но она показывает важный момент. Предположим, вы установили recursion_limit=300 для родительского агента, выполняющего длительную задачу. Некоторое время SubAgentMiddleware не передавал эту настройку дочерним агентам, поэтому они работали с использованием стандартного значения LangGraph — 25. Если дочернему агенту требовалось 40 шагов, он достигал лимита в 25 и вызывал ошибку GraphRecursionError, которая далее проявлялась у родительского агента как asyncio.CancelledError. Это выглядит как отмена выполнения, а не как соблюдение лимита, и отлаживать такую ситуацию поздно ночью крайне сложно.
Это была проблема №1698 в репозитории deepagents, зарегистрированная в марте 2026 года. Теперь дочерние агенты наследуют лимит родительского агента, и его можно установить с помощью agent.with_config({"recursion_limit": 100}).
Причина, по которой стоит об этом упомянуть: исправление появилось в конце марта, а к августу версия пакета достигла 0.7.x. Проект развивается быстро, изменяются и стандартные настройки, а многие блог-посты описывают версии, которых уже не существует. Прежде чем доверять туториалу, закрепите нужную версию и прочитайте чат-лог.
О бесплатности
Лицензия не стоит ничего. MIT, без всяких оговорок. Однако её использование — это уже другая история. Вам нужно предоставить собственный ключ модели и платить за каждый токен, причем эта архитектура предназначена для его расходования:
- Длинный системный промпт при каждом ходе
- Повторное чтение списка задач при каждом ходе, если включена функция планирования
- Каждый субагент представляет собой отдельный вызов полной модели
- Суммаризация — ещё один вызов модели, осуществляемый на основе вашего собственного контекста
По сравнению с обычным циклом вызова инструментов, глубокий агент потребляет больше ресурсов. В этом и заключается компромисс: вы платите токенами за возможность сосредоточиться на длительных задачах. Это справедливая цена, если только никто не будет считать это бесплатным.
Настоящая экономия кроется в гибкости. Вы можете использовать дешевую модель для простых подагентов и мощную — для выполнения логических операций, чего не предлагает Claude Code.
О любой модели
Это верно, с двумя зачеркнутыми примечаниями. Этот подход работает с любой моделью, поддерживающей вызов инструментов, а таких моделей много. Однако промпты были адаптированы с учетом особенностей Claude Code, поэтому дизайн несет соответствующую предвзятость. Более слабая или локальная модель не приводит к аналогично слабому агенту — она создает агента, который игнорирует список задач, без необходимости делегирует их подагентам и застревает в бесконечных циклах.
Второй примечание к тексту имеет скрытые издержки: быстрая кэширование по умолчанию включено только для моделей Anthropic и Bedrock. В модели Claude такое кэширование большого системного промпта отсутствует, поэтому за каждый запрос может потребоваться оплата полной стоимости. Фраза «независимо от модели» означает, что функция работает в любой среде, но это не значит, что её поведение или стоимость одинаковы везде; поэтому необходимо учитывать реальное время оценки при любом смене модели.
Стоит попробовать?
Сначала честное предупреждение: всё это основано не на практическом использовании в реальных проектах. Это результат тщательного изучения документации, репозитория и системы отслеживания проблем, а не многомесячного опыта работы. Однако два момента остаются неизменными.
Во-первых, самым ценным в продукте LangChain является не сам пакет, а его концепция. Четыре основных принципа, четко сформулированные, распространяются под лицензией MIT. Вы можете сами создать что-то подобное за один день и понять каждую строку кода, и для агента с узкоспециализированными задачами это, вероятно, действительно целесообразно.
Во-вторых, бесплатная копия какого-либо продукта редко оказывается самим этим продуктом. Вы получаете лишь его компоненты вместе с необходимостью самих настраивать их. Иногда это именно то, что нужно, а иногда вы просто хотите, чтобы всё работало. Это важно знать перед выполнением команды pip install.