深入解析Deep Agents:它真的是Claude Code的架构且免费吗?
LangChain的Deep Agents在MIT许可下提供了Claude Code背后的设计模式。以下是默认设置、内存使用、成本以及模型支持的具体含义。
来源: Deep Agents: Did LangChain Open-Source Claude Code’s Architecture?
有一篇流传甚广的文章称,LangChain已将Claude Code背后的架构开源,采用MIT许可证,任何模型均可使用,且完全免费。这确实是个很有吸引力的宣传点——既然有免费的工具能实现相同功能,为何还要支付高级订阅费呢?这个说法并非虚假,也没有错,大致有70%的真实性,而那缺失的30%正是常常让人感到沮丧的部分。以下是详细说明,以便大家能做出明智的决定。
他们真的开源了Claude Code的架构吗?
算是吧。LangChain开源的是相关设计模式,而非Claude Code本身。Deep Agents是一款基于LangGraph开发的智能体框架,整合了四个核心要素:长文本系统提示、规划工具、文件系统以及子智能体。它确实采用MIT许可证,且能与任何工具调用模型配合使用。
但运行它并非免费,文件系统默认为虚拟形式,长期内存也会在未连接之前处于关闭状态。想要这种架构?可以拿去使用。想要 Claude Code?那就继续用它吧。
它是什么
抛开营销宣传不谈,Deep Agents 实际上是建立在 LangGraph 之上的中间件组合。
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).
这样就可以了。它具备规划功能、虚拟文件系统、子智能体委托、人工审核机制以及shell访问权限,同时还拥有LangGraph现有的所有功能:流式处理、检查点功能以及Studio界面。
有趣的是代码本身,而是LangChain公开列出了深度智能体的构成要素:
- 一段冗长且详细的系统提示词
- 规划工具
- 文件系统
- 子智能体
这就是全部的构成要素。过去一年里人们一直将此视为商业机密,但现在情况正在改变。
细节一:规划工具实际上毫无作用
write_todos 工具并不会安排或执行任何操作。它只是将待办事项列表存储在智能体的状态中,仅此而已。LangChain 在其关于该工具的声明中也承认了这一点——该工具实际上毫无功能,仅作为一种保持智能体按计划行事的上下文工程策略,源自 Claude Code。
为何要保留它?将计划以书面形式记录下来后,会将其反馈到模型的上下文中。每次对话轮次中都会重新读取这份列表,从而防止智能体偏离方向。这就是其运作机制。它并非某种调度工具,而更像一张便签。一旦明白这一点,很多被称作“高级智能体架构”的概念其实都不过是包装得较好的上下文工程罢了。
还有个意外之处。在所有关于该项目的文章中,提前规划都是核心要点,但截至0.7版本,任务规划仍是可选功能。它曾经是默认的中间件,现在却不再是了。大家总是首先强调的功能,实际上却需要用户自行开启。
第二个细节:文件系统并不属于你
宣传资料中提到可以访问文件系统,人们往往会想到自己的项目文件夹。默认的后端是StateBackend,文件存储在LangGraph的状态中,仅限于某个线程使用,不会与其他线程共享,也不会出现在用户的磁盘上。智能体可以轻松地写入文件、读取文件并感觉自己高效工作了。但一旦线程结束,这些文件就会消失,除非有检查点机制将它们保存下来。
如需真正访问磁盘,应使用FilesystemBackend;若需要shell功能,则选用LocalShellBackend。若希望在不同对话之间保留文件,可使用StoreBackend,或采用CompositeBackend将/memories/路径指向持久存储位置,而其余数据仍保留在线程作用域内。这些操作并不复杂,但每一种选择都是你在不知不觉中做出的决定。
细节三:长期记忆是一种设置
内存的处理方式也是如此。它被列出来,但实际并不存在,就如同汽车有拖车挂钩却没有拖车一样:挂载点存在,但拖车并不存在。默认情况下,内存数据仅存在于线程作用域内。若要在不同线程之间恢复记忆内容,则需要存储后端支持。可在笔记本中演示这一过程:重启内核后询问昨天所做的决定,得到的答案将是一片茫然。
细节四:人工干预需要检查点机制
文档中的说明相当直白:必须要有检查点机制,因为没有它就无法冻结状态,也无法恢复中断。恢复操作并非再次调用agent.invoke()。在检查完中断状态后,需按顺序为待处理的操作逐一构建decisions列表,然后通过相同线程ID的Command(resume={"decisions": decisions})来恢复执行。如果线程ID错误、顺序不当或缺少检查点机制,审批流程将不会批准任何操作。
细节五:子代理与版本锁定
这个问题虽然已解决,但仍有借鉴意义。假设你为执行耗时任务的父亲代理设置了recursion_limit=300。起初,SubAgentMiddleware并未将此配置传递给子代理,因此子代理以LangGraph的默认值25步进行运行。那些需要40步才能完成的子代理会在达到25步时引发GraphRecursionError,而这一错误在上游会表现为asyncio.CancelledError。这看起来像是任务被取消,而非达到限制值,因此在深夜调试时会非常麻烦。
这是deepagents仓库中的问题#1698,于2026年3月提交。现在子代理会继承父亲代理的限制值,你可以通过agent.with_config({"recursion_limit": 100})来设置该值。
之所以要提及这一点:修复版本在3月底发布,到8月时该软件的版本号已达到0.7.x。这个项目发展迅速,默认设置也会随之更新,而许多博客文章描述的却是已不存在的版本。在参考教程之前,请先锁定特定版本并阅读变更日志。
关于零成本
该许可证完全免费,确实是MIT许可,没有任何附加条款。不过实际运行则另当别论——你需要自行提供模型密钥,并按令牌数量付费,而且该架构本身就需要消耗令牌:
- 每轮对话都会生成一段较长的系统提示语
- 一旦开启规划功能,待办列表会在每轮对话中重新读取
- 每个子代理都需要单独调用完整模型
- 总结功能也需要再次调用模型,并基于你自己的上下文进行操作
与普通的工具调用循环相比,深度智能体需要消耗更多资源。这就是其中的权衡:你用代币来换取处理复杂任务的专注力。只要没人认为这是免费的,这就是公平的交换。
真正的优势在于灵活性。你可以将低成本的模型用于那些简单的子智能体,而将高性能的模型用于推理任务,这是 Claude Code 所不具备的功能。
关于任何模型
确实如此,但有两个前提。它适用于所有支持工具调用的模型,而这类模型的数量相当多。不过,提示词是根据 Claude Code 的使用习惯设计的,因此设计本身存在这种偏向。较弱的模型或本地模型并不会让智能体的性能相应变弱,只会让它忽视任务列表、不必要的将任务委派给子智能体,最终陷入循环之中。
第二个注意事项其实代价不小:即时缓存功能默认仅对Anthropic和Bedrock模型启用。在Claude上,那个长长的系统提示词会被缓存;而在其他模型上,则可能每轮都需要支付全额费用。所谓“与模型无关”,指的是它可以在任何地方运行,但并不意味着它的表现或成本在所有地方都相同,因此在进行模型替换时需预留足够的评估时间。
值得尝试吗?
首先需要诚实地说明:这些内容并非来自实际生产环境的使用经验,而是通过对文档、代码仓库以及问题追踪系统的仔细研究得出的,并非基于数月的实际使用经验。不过有两点是显而易见的。
首先,LangChain最宝贵的并非其软件包本身,而是其所设计的架构方案。该方案在MIT许可下清晰地阐述了四个核心要素。你甚至可以在一个下午内自行构建出这样的架构并理解每一行代码,而对于那些仅用于单一任务的智能体而言,这样做或许才是最佳选择。
其次,某些产品的免费克隆版往往并非真正的该产品。你得到的只是各个组件,还需自行进行调试工作。有时这正合所需,但有时你只希望它能够正常运行。在执行 pip install 之前了解这一点很有必要。
相关阅读
- 使用 LangChain Deep Agents 重建 Claude Code 风格的智能体 —— 从核心循环到工具、规划、内存、子智能体以及沙箱式审批,详细讲解了编码智能体的工作原理,并通过 deepagents 逐步进行重建。