Головна / Статті

Пояснення Deep Agents: Чи справді це архітектура Claude Code та чи вона безкоштовна?

Deep Agents від LangChain надає вам принципи роботи Claude Code під ліцензією MIT. Ось що насправді означають параметри за замовчуванням, пам’ять, витрати та підтримка моделей.

Видавець: REACTAPP.TOP6 хв читання1353 слів

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

У постах, які поширюються в мережі, стверджується, що LangChain зробив архітектуру Claude Code відкритим кодом під ліцензією MIT, що це стосується будь-якої моделі, і все це безкоштовно. Це приваблива пропозиція – навіщо платити за преміум-підписку, якщо безкоштовний інструмент робить те саме? Це твердження не є фальшивим і не є неправдивим; воно приблизно на сімдесят відсотків правдиве, а ті тридцять відсотків, яких бракує, саме й викликають розчарування у користувачів. Ось деталі, щоб рішення можна було прийняти обґрунтовано.

Чи зробили вони архітектуру Claude Code відкритим кодом?

Частково. LangChain зробив відкритим кодом певну схему, а не сам Claude Code. Deep Agents – це інструмент для роботи з агентами, створений на основі LangGraph та який об’єднує чотири елементи: довгий системний запит, інструмент планування, файлову систему та підагентів. Ліцензія MIT справжня, і вона працює з будь-якою моделлю для виклику інструментів.

Але його робота не є безкоштовною: файлова система за замовчуванням є віртуальною, а довгострокова пам’ять залишається вимкненою, доки ви її не підключите. Хочете архітектуру? Вона на вашому розсуд. Хочете Claude Code? Продовжуйте ним користуватися.

Що це таке

Якщо відкинути маркетингові аспекти, Deep Agents — це набір проміжних засобів, створених на основі 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).

Це працює. У вас є можливості планування, віртуальна файлова система, делегування завдань підагентам, схвалення людиною та доступ до шелу, а також усе те, що вже пропонує LangGraph: стрімінг, створення контрольних точок та Studio.

Цікавою є не сама кодова база. Цікаво те, що LangChain публічно описав, з чого складається глибокий агент:

  1. Довге, детальне системне запитання
  2. Інструмент планування
  3. Файлова система
  4. Підагенти

Ось і вся схема. Протягом року люди вважали це комерційною таємницею, але це змінюється.

Перший деталь: інструмент планування нічого не робить

Інструмент write_todos не планує та не виконує жодних дій. Він зберігає список справ у стані агента та на цьому зупиняється. LangChain визнає це у власному оголошенні про інструмент, скопійований з Claude Code, називаючи його фактично бездієвим та стратегією обробки контексту для підтримання агента у правильному напрямку.

Чому його зберігати? Формулювання плану у письмовій формі повертає його до контексту моделі. Кожного разу список перечитується, що запобігає відхиленню агента від мети. Ось у чому суть. Це не оркестрація, а своєрідна нотатка. Як тільки це стає зрозумілим, багато того, що називається передовою архітектурою агентів, насправді є обробкою контексту з гарною презентацією.

Є ще один нюанс. Попереднє планування — це головна теза кожної статті про проект, проте з версії 0.7 планування завдань стало необов’язковим. Раніше це було стандартним середовищем міжсистемного взаємодії, але тепер — ні. Функція, яку всі наголошують на першому місці, — це та, яку потрібно увімкнути самостійно.

Деталь два: файлова система не належить вам

У описі йдеться про доступ до файлової системи, і ви уявляєте собі папку вашого проекту. Стандартним бекендом є StateBackend, де файли зберігаються всередині стану LangGraph, обмежені однією потоковою операцією, не діляться з іншими потоками та відсутні на вашому диску. Агент з радістю напише файл, прочитає його знову та відчує себе продуктивним. Потім потокова операція закінчується, і файли зникають, якщо тільки чекпоїнтер не зберіг їх.

Для реального доступу до диска потрібен FilesystemBackend. Для шелу також потрібен LocalShellBackend. Щоб зберігати файли між розмовами, використовуйте StoreBackend, або CompositeBackend для направлення шляху /memories/ у якесь стійке місце, поки решта залишається в межах потоку. Жоден з цих варіантів не є складним, але кожен з них — це рішення, про яке ви навіть не здогадувалися.

Деталь третя: довгострокова пам’ять — це налаштування

Те саме стосується пам’яті. Вона вказана так, ніби є частиною системи, як причепний кріплення в автомобілі: кріплення існує, а причеп — ні. За замовчуванням пам’ять прив’язана до потоку. Для зберігання інформації між потоками потрібен бекенд-сховища. Перевірте це у ноутбуці: перезапустіть ядро, запитайте про те, що ви вирішили вчора, і відповідь буде беззмістовною порожнечею.

Деталь четверта: участь людини вимагає контрольного показника

У документації сказано прямо: потрібен контрольний показник, адже без нього немає стану, який можна було б заморозити, та немає переривання для його відновлення. Відновлення також не означає повторного виклику agent.invoke(). Після перевірки переривання необхідно скласти список decisions, який буде відповідати очікуваним діям один до одного та у послідовності, а потім відновити роботу за допомогою Command(resume={"decisions": decisions}) на тому самому ідентифікаторі потоку. Неправильний ідентифікатор потоку, неправильний порядок або відсутність контрольного показника призводять до того, що процес схвалення нічого не схвалює.

Деталь п’ята: підагенти та фіксація версії

Ця проблема вже виправлена, але вона демонструє певний момент. Припустимо, ви встановлюєте recursion_limit=300 для батьківського агента, який виконує тривале завдання. Спочатку SubAgentMiddleware не передавав ці налаштування дочірнім агентам, тож вони працювали за стандартним значенням LangGraph — 25 кроків. Якщо дочірньому агенту потрібно 40 кроків, він досягне ліміту у 25 та викличе GraphRecursionError, що у верхньому рівні проявиться як asyncio.CancelledError. Це виглядає як скасування, а не обмеження, і дуже складно відлагоджувати такі проблеми пізно вночі.

Це була проблема №1698 у репозиторії deepagents, задана у березні 2026 року. Тепер дочірні агенти успадковують ліміт батьківського агента, і його можна встановити за допомогою agent.with_config({"recursion_limit": 100}).

Причина, чому про це варто згадати: виправлення було випущено наприкінці березня, а до серпня версія пакету сягнула 0.7.x. Проєкт розвивається швидко, стандартні налаштування також змінюються, і багато блог-постів описують версії, яких більше не існує. Перш ніж довіряти якомусь посібнику, визначте свою версію та ознайомтесь з журналом змін.

Про безкоштовність

Ліцензія не коштує нічого. MIT, справді, без жодних умов. Однак її використання — це інша справа. Ви повинні самостійно надати ключ моделі та платити за кожен токен, а ця архітектура розроблена так, щоб споживати токени:

  • Довгий системний запит щоразу під час кроку
  • Список завдань перечитується щоразу під час кроку, якщо увімкнено планування
  • Кожен підагент — це окремий запуск повної моделі
  • Узагальнення — це ще один виклик моделі, з використанням вашого власного контексту

Порівняно зі звичайним циклом виклику інструментів, глибокий агент споживає більше ресурсів. Ось ця ціна: ви отримуєте можливість зосередитися на складних завданнях за рахунок токенів. Це справедлива угода, за умови що ніхто не вважає це безкоштовним.

Справжня економія полягає у гнучкості. Ви можете використовувати дешеву модель для простих підагентів та потужну — для міркувань, що є перевагою, якої немає у Claude Code.

Про будь-яку модель

Це правда, але з двома зауваженнями. Він працює з будь-якою моделлю, яка підтримує виклик інструментів, а таких є багато. Однак запити були налаштовані з урахуванням особливостей Claude Code, тому дизайн має цю упередженість. Слабша чи локальна модель не створює пропорційно слабшого агента — вона створює такого, який ігнорує свій список завдань, зайво делегує їх підагентам та застрягає у замкнутому циклі.

Другий примітка має приховані витрати: швидке кешування за замовчуванням увімкнене лише для моделей Anthropic та Bedrock. У Claude цей великий системний запит кешується. У інших моделях ви можете платити повну ціну за нього щоразу. Функція, сумісна з будь-якими моделями, означає, що вона працює будь-де, але це не означає, що її поведінка чи витрати будуть однаковими скрізь, тож необхідно реально оцінити час обробки для будь-якої заміни.

Варто спробувати?

Спочатку чесне застереження: все це базується не на практичному використанні. Це ретельне вивчення документації, репозиторію та системи відстеження проблем, а не місяців досвіду. Проте дві речі залишаються незмінними.

По-перше, найціннішим у продукті LangChain є не сам пакет, а його концепція. Чотири основні принципи, чітко сформульовані, під ліцензією MIT. Ви могли б створити щось подібне самостійно за один день та зрозуміти кожну рядок, і для агента з однією функцією, ймовірно, варто саме так і зробити.

По-друге, безкоштовний клон певного продукту рідко виявляється саме цим продуктом. Ви отримуєте лише його компоненти та обов’язок самостійно їх налаштовувати. Іноді це саме те, що потрібно, а іноді ви просто хочете, щоб річ функціонувала. Це варто знати перед виконанням команди pip install.

Пов’язана література

  • Сім серверів MCP для Claude Code: команди підключення та проблеми безпеки — сервери Filesystem, Chrome DevTools, Postgres, Supabase, Stripe, Notion та Exa MCP для Claude Code, разом із командами підключення та ризиками доступу кожного з них.