今天我们推出Deep Agents deploy的 beta 版。Deep Agents deploy 是以生产就绪的方式部署模型无关、开源智能体 harness 的最快途径。

Deep Agents deploy 是为开放世界而构建的。它基于Deep Agents——一个开源、模型无关的智能体 harness。Harness 与记忆紧密相连，这意味着选择开放的 harness，就是选择拥有自己的记忆，而不是让它被锁定在专有的 harness 中或绑定到单一模型上。

Harness 工程 → 生产

在过去几个月里，“harness 工程”作为一门构建 harness 以将 LLM 转变为智能体的学科而兴起。这些 harness 包含编排逻辑、工具、技能，它们构成智能体的基础，同时允许构建者提供自定义指令、工具、技能，以将 harness 定制到自己的用例。

要走向生产，需要几个步骤：

  • 以多租户、可扩展的方式部署智能体编排逻辑和记忆
  • 设置沙箱，使其按智能体会话启动
  • 搭建与智能体交互的端点，从 MCP 到 A2A，再到其他用于 human-in-the-loop、记忆等的端点

今天，我们将所有这些步骤打包成一条命令：deepagents deploy

你在部署什么？

使用deepagents deploy你就是在部署你的自定义智能体。你需要指定几个参数：

  • model：要使用的大语言模型。Deep Agents 可与任何模型或模型提供商配合使用，包括 OpenAI、Google、Anthropic、Azure、Bedrock、Fireworks、Baseten、Open Router 和 Ollama。更多信息请参阅我们的Models文档。
  • AGENTS.md：这是智能体的核心指令集，你在此指定在会话开始时加载的指令。
  • skills：这些是Agent Skills，允许提供专门知识（通过 markdown 文件）和操作（通过要运行的脚本）。更多信息请参阅我们的Skills 文档。
  • mcp.json：这些是智能体可以使用 MCP 协议（HTTPS/SSE）调用的工具
  • sandbox：如有需要，你可以指定一个沙箱，供智能体用于执行工作和运行技能。开箱即用，Deep Agents 包含与 Daytona、Runloop、Modal 或 LangSmith Sandboxes 的集成。任何沙箱提供商都可以与 Deep Agents 配合使用；请参阅我们的实现指南。

部署

在底层，deepagents deploy将你的 Deep Agent 与其自有的LangSmith Deployment服务器打包在一起。这是一个生产就绪、可水平扩展的服务器。

它会启动一个包含 30 多个端点的服务器，其中包括以下端点：

  • MCP；这样你就可以将部署的智能体作为工具调用
  • A2A；这样你就可以在多智能体设置中调用部署的智能体
  • Agent Protocol；这样你就可以轻松编写漂亮的 UI 来与部署的智能体交互
  • Human-in-the-loop；这样你就可以围绕智能体在无人干预下能做什么或不能做什么添加护栏
  • Memory 端点；这样你就可以轻松访问智能体的短期或长期记忆

开放生态系统

的一个关键部分是deepagents deploy融入开放生态系统。具体来说：

  • 我们使用deepagents，一个完全开源、MIT 许可证的 harness，可用于Python和TypeScript
  • 我们使用AGENTS.md，一个开放标准，作为指定智能体指令的方式
  • 我们使用 Agent Skills，一个开放标准，作为向智能体提供专业知识的方式
  • 我们与所有模型提供商集成，让你对此拥有完全控制权。没有 Anthropic 锁定，你可以为你的任务挑选最佳的模型组合，甚至是开源模型。
  • 我们与所有沙箱提供商集成，让你对此拥有完全控制权
  • 我们通过MCP、A2A和Agent Protocol这些开放标准来暴露智能体
  • 你可以自托管 LangSmith Deployments，这让你能够托管并拥有自己的记忆

与 Claude Managed Agents 对比

Claude Managed Agents是最近推出的另一个有竞争力的产品。高层架构（harness、智能体服务器、沙箱）是相同的，但 Claude Managed Agents 是一个围墙花园，造成了极其严重的锁定。

记忆

开放生态系统对智能体 harness 和智能体平台至关重要的核心原因在于记忆。

智能体 harness 与记忆紧密相连（Sarah Wooders就此写了一篇精彩的文章）。harness 的一个关键作用是管理上下文（记忆就是上下文）。随着 harness 越来越多的部分变得封闭、被锁在 API 之后——你的记忆也是如此。

从一个模型切换到另一个模型其实相当容易（当然，你可能需要稍微调整提示词，但没什么太难的地方）。所以仅模型 API 本身并没有太多锁定（正如我们最近看到的从 OpenAI 到 Anthropic 的大量迁移）。

当你开始把记忆捆绑在这些 API 后面时——无论是短期还是长期——都会造成惊人的锁定效应。

想象一下创建一个内部 SDR 智能体。它从基础功能起步，但随着与用户交互，它会即时学习。这些记忆不断累积——但全都藏在一个封闭的 API 后面。如果你想脱离那个框架，或者脱离那个模型——就意味着要重置你智能体的记忆，从头开始。

对于你暴露给客户的智能体来说，情况更糟。你构建了一个面向外部的销售智能体，它会积累与之交互的客户的记忆。所有这些记忆都藏在一个封闭的 API 后面。这些记忆本应是你构建的数据飞轮的一部分，用来随着时间推移改善客户体验。但它们不再属于你——它们属于那个封闭 API 的所有者。

deepagents deploy以标准格式存储记忆（AGENTS.md、skills 和其他文件），允许你直接通过 API 查询它们，并且如果你自托管，就能确保记忆始终只保留在你自己的数据库中。

试试开源框架

在专有框架之上构建智能体会造成惊人的锁定效应。我们相信，智能体的构建和部署应该很简单，但你仍然可以选择模型，并且仍然拥有自己的记忆。

如果你也认同这一点，试试deepagents deploy吧。

关键链接：