Deep Agents Deploy：一个面向 Claude Managed Agents 的开源替代方案

Deep Agents Deploy：一个面向 Claude Managed Agents 的开源替代方案 Deep Agents Deploy：一个面向 Claude Managed Agents 的开源替代方案 Modified April 10 今天我们正式推出Deep Agents部署服务的测试版。Deep Agents部署服务是实现模型无关、开源智能体框架生产级落地的最快捷方式。 Deep Agents deploy 是为一个开放世界而构建的。它基于 Deep Agents 构建 —— 这是一款开源、不依赖特定模型的智能体管理框架。这类管理框架与记忆存储紧密关联，这意味着选择开源框架，就意味着自主掌控你的记忆数据，而非将其锁定在专有框架中，或是绑定在单一模型上。 从工程化开发到生产部署 在过去几个月里，harness engineering 已经成为把 LLM 变成 agents 的 harness 构建学科。这些 harness 包含 orchestration logic、tools、skills，它们共同构成了 agent 的基础，同时又允许构建者通过提供自定义 instructions、tools、skills，来针对自己的 use case 定制 harness。 要走向生产，还需要几个步骤： • 以多租户、可扩展的方式部署 agent orchestration logic 和 memory • 配置 sandboxes，让它们能够按 agent session 启动 • 搭建与 agent 交互的 endpoints，从 MCP 到 A2A，再到其他用于 human in the loop、memory 等能力的接口 今天，我们把所有这些步骤打包进了一条命令：deepagents deploy 你们正在部署什么？ 使用 deepagents deploy，你部署的是你自己的 custom agent。这里有几个你需要指定的参数： • model：要使用的大语言模型。Deep Agents 可以配合任何模型或模型提供商工作，包括 OpenAI、Google、Anthropic、Azure、Bedrock、Fireworks、Baseten、Open Router 和 Ollama。更多信息见我们的 docs。 • AGENTS.md：这是 agent 的核心指令集，你可以在这里定义会在 session 开始时加载的 instructions。 • skills：这些是 Agent Skills，它们允许通过 markdown 文件提供专业知识，通过脚本提供动作能力。更多内容见我们的 docs。 • mcp.json：这些是 agent 可以通过 MCP 协议（HTTPS/SSE）调用的 tools。 • sandbox：如果需要，你可以指定一个 sandbox，让 agent 可以在其中完成工作并运行 skills。Deep Agents 开箱即用地集成了 Daytona、Runloop、Modal 和 LangSmith Sandboxes。任何 sandbox provider 都可以与 Deep Agents 配合使用；见我们的 docs。 部署 在底层，deepagents deploy 会把你的 Deep Agent 与它自己的 LangSmith Deployment server 打包在一起。这是一个生产就绪、可以横向扩展的 server。 它会启动一个拥有 30+ endpoints 的 server，其中包括： • MCP：这样你就可以把你部署的 agents 当作 tools 来调用 • A2A：这样你就可以在 multi agent 设置里调用你部署的 agents • Agent Protocol：这样你就可以轻松编写漂亮的 UI 来与你部署的 agent 交互 • human in the loop：这样你就可以为 agent 在无人类干预情况下能做和不能做的事情加上 guardrails • Memory endpoints：这样你就可以轻松访问 agent 的短期或长期 memory 开放生态系统 deepagents deploy 的一个关键部分，是它集成到了一个开放生态中。具体来说： • 我们使用 deepagents，一个完全开源、MIT 许可证的 harness，同时提供 Python 和 JavaScript 版本 • 我们使用 AGENTS.md，一个 开放标准，来定义 agent 指令 • 我们使用 Agent Skills，一个 开放标准，来向 agent 提供专业知识 • 我们与所有模型提供商集成，让你对这部分拥有完全控制权。没有 Anthropic lock in，你可以为任务挑选最好的模型组合，甚至使用开源模型 • 我们与所有 sandbox provider 集成，因此你对这部分也拥有完全控制权 • 我们通过 MCP、A2A 和 HTTP APIs 暴露 agents，这些都是开放标准 • 你可以 self host LangSmith Deployments，这样你就可以托管并拥有自己的 memory 与Claude Managed Agents的对比 Claude Managed Agents 是最近推出的产品。其高层架构（harness、agent server、sandboxes）是一样的，但 Claude Managed Agents 是一个封闭生态系统，会制造出惊人的 lock in。 记忆 开放生态之所以对 agent harness 和 agent platforms 重要，核心原因在于 memory。 Agent harness 与 memory 是紧密耦合的（Sarah Wooders 这里 也有相关论述）。Harness 的一个关键职责，就是管理 context（而 memory 本质上就是 context）。随着 harness 中越来越多部分变成封闭的、锁在 API 背后的东西，你的 memory 也会一起被锁住。 实际上，从一个模型切换到另一个模型是相当容易的（当然，你可能需要稍微调整一下 prompts，但并不算太难）。所以仅仅是 model APIs 本身，并不会带来太强的 lock in（正如我们最近看到的大量从 OpenAI 向 Anthropic 迁移的案例）。 但当你开始把 memory 也和这些 APIs 绑定在一起时，无论是短期 memory 还是长期 memory，就会制造出极强的 lock in。 想象一下你做了一个内部 SDR agent。它一开始很基础，但随着和用户互动，它会边做边学。这些 memory 会不断累积，但它们全都被锁在一个封闭 API 后面。如果你想迁移离开那个 harness，或迁移离开那个模型，就意味着你必须重置 agent 的 memory，一切从零开始。 如果是面向客户暴露的 agents，情况会更糟。你构建了一个对外的销售 agent，它会不断积累和客户互动形成的 memory。所有这些 memory 都被锁在封闭 API 后面。这些 memory 本该成为你构建的数据飞轮的一部分，让你的客户体验随着时间变得更好。但现在它们已经不再属于你，而属于那个封闭 API 的拥有者。 deepagents deploy 用一种标准格式来存储 memory（AGENTS.md、skills 和其他文件），允许你通过 API 直接查询它们；如果你选择 self host，它还能够确保这些 memory 始终只存在于你自己的数据库中。 不妨试试这款开源框架 建立在专有 harness 之上的 agents，会制造出巨大的 lock in。我们相信，agent 的构建与部署应该足够简单，但你依然应该拥有模型选择权，也依然应该拥有自己的 memory。 如果你也相信这一点，现在就试试 deepagents deploy。 Key Links: • Documentation • GitHub harness engineering docs Agent Skills docs sandbox docs LangSmith Deployment Agent Protocol human in the loop Memory endpoints Python JavaScript 开放标准 开放标准 MCP A2A HTTP APIs Claude Managed Agents 这里 Documentation GitHub 今天我们正式推出Deep Agents部署服务的测试版。Deep Agents部署服务是实现模型无关、开源智能体框架生产级落地的最快捷方式。 Deep Agents deploy 是为一个开放世界而构建的。它基于 Deep Agents 构建 —— 这是一款开源、不依赖特定模型的智能体管理框架。这类管理框架与记忆存储紧密关联，这意味着选择开源框架，就意味着自主掌控你的记忆数据，而非将其锁定在专有框架中，或是绑定在单一模型上。 从工程化开发到生产部署 在过去几个月里，harness engineering 已经成为把 LLM 变成 agents 的 harness 构建学科。这些 harness 包含 orchestration logic、tools、skills，它们共同构成了 agent 的基础，同时又允许构建者通过提供自定义 instructions、tools、skills，来针对自己的 use case 定制 harness。 harness engineering 要走向生产，还需要几个步骤： • 以多租户、可扩展的方式部署 agent orchestration logic 和 memory • 配置 sandboxes，让它们能够按 agent session 启动 • 搭建与 agent 交互的 endpoints，从 MCP 到 A2A，再到其他用于 human in the loop、memory 等能力的接口 今天，我们把所有这些步骤打包进了一条命令：deepagents deploy 你们正在部署什么？ 使用 deepagents deploy，你部署的是你自己的 custom agent。这里有几个你需要指定的参数： • model：要使用的大语言模型。Deep Agents 可以配合任何模型或模型提供商工作，包括 OpenAI、Google、Anthropic、Azure、Bedrock、Fireworks、Baseten、Open Router 和 Ollama。更多信息见我们的 docs。 docs • AGENTS.md：这是 agent 的核心指令集，你可以在这里定义会在 session 开始时加载的 instructions。 • skills：这些是 Agent Skills，它们允许通过 markdown 文件提供专业知识，通过脚本提供动作能力。更多内容见我们的 docs。 Agent Skills docs • mcp.json：这些是 agent 可以通过 MCP 协议（HTTPS/SSE）调用的 tools。 • sandbox：如果需要，你可以指定一个 sandbox，让 agent 可以在其中完成工作并运行 skills。Deep Agents 开箱即用地集成了 Daytona、Runloop、Modal 和 LangSmith Sandboxes。任何 sandbox provider 都可以与 Deep Agents 配合使用；见我们的 docs。 sandbox docs 部署 在底层，deepagents deploy 会把你的 Deep Agent 与它自己的 LangSmith Deployment server 打包在一起。这是一个生产就绪、可以横向扩展的 server。 LangSmith Deployment 它会启动一个拥有 30+ endpoints 的 server，其中包括： • MCP：这样你就可以把你部署的 agents 当作 tools 来调用 • A2A：这样你就可以在 multi agent 设置里调用你部署的 agents • Agent Protocol：这样你就可以轻松编写漂亮的 UI 来与你部署的 agent 交互 Agent Protocol • human in the loop：这样你就可以为 agent 在无人类干预情况下能做和不能做的事情加上 guardrails human in the loop • Memory endpoints：这样你就可以轻松访问 agent 的短期或长期 memory Memory endpoints 开放生态系统 deepagents deploy 的一个关键部分，是它集成到了一个开放生态中。具体来说： • 我们使用 deepagents，一个完全开源、MIT 许可证的 harness，同时提供 Python 和 JavaScript 版本 Python JavaScript • 我们使用 AGENTS.md，一个 开放标准，来定义 agent 指令 开放标准 • 我们使用 Agent Skills，一个 开放标准，来向 agent 提供专业知识 开放标准 • 我们与所有模型提供商集成，让你对这部分拥有完全控制权。没有 Anthropic lock in，你可以为任务挑选最好的模型组合，甚至使用开源模型 • 我们与所有 sandbox provider 集成，因此你对这部分也拥有完全控制权 • 我们通过 MCP、A2A 和 HTTP APIs 暴露 agents，这些都是开放标准 MCP A2A HTTP APIs • 你可以 self host LangSmith Deployments，这样你就可以托管并拥有自己的 memory 与Claude Managed Agents的对比 Claude Managed Agents 是最近推出的产品。其高层架构（harness、agent server、sandboxes）是一样的，但 Claude Managed Agents 是一个封闭生态系统，会制造出惊人的 lock in。 Claude Managed Agents 记忆 开放生态之所以对 agent harness 和 agent platforms 重要，核心原因在于 memory。 Agent harness 与 memory 是紧密耦合的（Sarah Wooders 这里 也有相关论述）。Harness 的一个关键职责，就是管理 context（而 memory 本质上就是 context）。随着 harness 中越来越多部分变成封闭的、锁在 API 背后的东西，你的 memory 也会一起被锁住。 这里 实际上，从一个模型切换到另一个模型是相当容易的（当然，你可能需要稍微调整一下 prompts，但并不算太难）。所以仅仅是 model APIs 本身，并不会带来太强的 lock in（正如我们最近看到的大量从 OpenAI 向 Anthropic 迁移的案例）。 但当你开始把 memory 也和这些 APIs 绑定在一起时，无论是短期 memory 还是长期 memory，就会制造出极强的 lock in。 想象一下你做了一个内部 SDR agent。它一开始很基础，但随着和用户互动，它会边做边学。这些 memory 会不断累积，但它们全都被锁在一个封闭 API 后面。如果你想迁移离开那个 harness，或迁移离开那个模型，就意味着你必须重置 agent 的 memory，一切从零开始。 如果是面向客户暴露的 agents，情况会更糟。你构建了一个对外的销售 agent，它会不断积累和客户互动形成的 memory。所有这些 memory 都被锁在封闭 API 后面。这些 memory 本该成为你构建的数据飞轮的一部分，让你的客户体验随着时间变得更好。但现在它们已经不再属于你，而属于那个封闭 API 的拥有者。 deepagents deploy 用一种标准格式来存储 memory（AGENTS.md、skills 和其他文件），允许你通过 API 直接查询它们；如果你选择 self host，它还能够确保这些 memory 始终只存在于你自己的数据库中。 不妨试试这款开源框架 建立在专有 harness 之上的 agents，会制造出巨大的 lock in。我们相信，agent 的构建与部署应该足够简单，但你依然应该拥有模型选择权，也依然应该拥有自己的 memory。 如果你也相信这一点，现在就试试 deepagents deploy。 Key Links: • Documentation Documentation • GitHub GitHub 原帖链接：https://x.com/hwchase17/status/2042269195656921120